Ny avhandling frågar när vi får en tillförlitlig artificiell intelligens i klinisk användning inom prostatacancerpatologi
I en ny avhandling från Karolinska Institutet studerade doktorand Xiaoyi Ji om AI-modeller för datorbaserad prostatacancerpatologi är generaliserbara och robusta med hjälp av olika datakällor. Målet var också att komma fram till möjliga strategier för förbättring.
Prostatacancer är en av de vanligaste cancerformerna hos män. Diagnosen bygger på att en patolog undersöker vävnadsprover och graderar hur aggressiv cancern ser ut. Detta är ett kvalificerat och tidskrävande arbete, och patologer kan ibland göra olika bedömningar av samma prov, vilket kan påverka behandlingsbeslut. Under de senaste åren har forskare tränat artificiella intelligenssystem (AI) för att utföra diagnostik och gradering av prostatacancer, och de bästa modellerna når nu en noggrannhet som är jämförbar med erfarna patologer över olika datakällor.
Vad är de viktigaste resultaten i din avhandling?
–Det är avgörande att fastställa om tekniken kan anses tillförlitlig i daglig klinisk användning. I mina studier fann vi att AI‑modeller kan bete sig annorlunda när de analyserar vävnadsbilder från olika sjukhus, en annan maskin eller en annan tidsperiod än den de tidigare tränats på, säger Xiaoyi Ji.
–Faktorer som egentligen inte borde påverka diagnosen – såsom små skillnader i hur vävnadsprover bereds, färgas eller digitaliseras – kan ändå påverka resultatet från AI‑modellen, fortsätter Xiaoyi. –Träning på större och mer varierade datamängder förbättrar prestandan i viss utsträckning, men löser inte problemet helt. Att förstå när och varför AI‑system blir opålitliga, och hur detta kan förebyggas, är avgörande innan de kan användas säkert i klinisk praxis.
Varför blev du intresserad av det här ämnet?
–AI inom medicinsk bildanalys har nyligen gjort stora framsteg och det är svårt att inte känna entusiasm inför dess potential. Men när jag började arbeta inom området märkte jag en klyfta mellan entusiasmen i forskningen och den försiktighet jag mötte i praktiken. När vi talade med kliniker, utrustningsleverantörer och andra forskare återkom en central fråga: hur vet vi att detta verkligen fungerar på ett tillförlitligt sätt? För många som arbetar i verksamheten saknades en tydlig kvalitetssäkring. Precis som all ingenjörsteknik behöver testas noggrant innan den tas i bruk, bör medicinsk AI hålla samma standard. Jag och mina handledare ansåg att denna fråga förtjänade större uppmärksamhet än den fått, och att vissa aspekter av problemet inte var tillräckligt belysta. Det var det som motiverade oss att fokusera på detta i min avhandling.
Vad tycker du bör göras i framtidens hälso- och sjukvård och forskningen?
–Jag anser att vi fortfarande har en bit kvar innan AI integreras på ett säkert sätt i klinisk cancerdiagnostik. Det finns underliggande utmaningar som kvarstår att identifiera och lösa. Jag skulle vilja se mer forskning som fokuserar på att förstå och förebygga dessa begränsningar, samt på att utveckla metoder för att säkerställa att AI‑system förblir tillförlitliga långsiktigt.
Avhandling
"Towards a trustworthy artificial intelligence in prostate cancer pathology: from quality assurance to clinical applicability". Xiaoyi Ji, 5 juni 2026.
Fakta doktorsavhandlingar
En doktorsavhandling är den textmässiga slutprodukten av en forskarutbildning, som i Sverige motsvarar fyra års heltidsstudier. Det varierar mellan olika discipliner hur en doktorsavhandling är uppbyggd, men inom medicinområdet samlar doktoranden vanligen ihop mellan tre och fem vetenskapliga artiklar och presenterar tillsammans med en sammanfattande text om sitt forskningsområde, en så kallad kappa. Efter att doktoranden har försvarat sin avhandling offentligt vid en disputation erhåller hen doktorsexamen, den högsta möjliga utbildningsexamen i Sverige. Karolinska Institutet har cirka 2 000 aktiva doktorander eller forskarstuderande och varje år publiceras cirka 350 doktorsavhandlingar vid vårt universitet.