LØRN case C0148 -
LØRN. STARTUP

Johan Ravn

CEO

Medsensio

Maskinlæring for lungelyder

I denne episoden av #LØRN snakker Silvija med co-founder og CEO i Medsensio, Johan Ravn. Johan fattet interesse for kombinasjonen av informatikk, distribuerte systemer og maskinlæring under studiene. I episoden forteller Johan om hvordan han sammen med Medsensio har utviklet et stetoskop som bruker maskinlæring til å utføre lungelydanalyse som igjen hjelper helsepersonell med å skille mellom normale og unormale lungelyder. Dette for å hjelpe over 3 millioner mennesker med kroniske lungesykdommer.
LØRN case C0148 -
LØRN. STARTUP

Johan Ravn

CEO

Medsensio

Maskinlæring for lungelyder

I denne episoden av #LØRN snakker Silvija med co-founder og CEO i Medsensio, Johan Ravn. Johan fattet interesse for kombinasjonen av informatikk, distribuerte systemer og maskinlæring under studiene. I episoden forteller Johan om hvordan han sammen med Medsensio har utviklet et stetoskop som bruker maskinlæring til å utføre lungelydanalyse som igjen hjelper helsepersonell med å skille mellom normale og unormale lungelyder. Dette for å hjelpe over 3 millioner mennesker med kroniske lungesykdommer.
Facebook
Twitter
LinkedIn
Email

15 min

Choose your preferred format

Velkommen til Lørn.Tech – en læringsdugnad om teknologi og samfunn med Silvija Seres, Sunniva Rose og venner.


SS: Hei og velkommen til Lørn.Tech. Jeg er Silvija Seres og i dag skal vi snakke om AI. Vi er i Tromsø og med meg er Johan Ravn som er gründer av Medsensio. Velkommen!

JR: Takk for det.

SS: Kan ikke du fortelle oss litt om hvem du er og hva Medsensio gjør?

JR: Jeg er da Johan Ravn. Det vi jobber med er automatisk analyse av lungelyder. Det er et samarbeidsprosjekt med UiT.

SS: Universitet i Tromsø?

JR: Ja. Jeg har da på min masteroppgave utviklet maskinlæringsalgoritmer for å analysere lungelyder. Og da er vi ute etter spesielt to lyder som vi har hatt fokus på som er en lyd som heter piping og en annen lyd som heter knotring. Dette er pipelyder som pasienter med typisk kols eller astma har som symptomer.

SS: Så dette er et diagnostiseringsverktøy?

JR: På en måte.

SS: Hvordan oppdager man astma eller andre lungelyder til vanlig?

JR: Lungelyder brukes ikke til å diagnostisere. De brukes som symptomer på det du kommer med til legen. Legen undersøker lungene dine med et stetoskop, og dersom legen hører noe så blir du sendt til flere tester. Så det er en screening. Den første screeningen. Egentlig en veldig enkel prosess og lite arbeid som skal til og det går rimelig kjapt. Og det vi ser da på forskningen og i forbindelse med Universitet i Tromsø er da at leger sammenlignet med hverandre og leger med annet helsepersonell som sykepleier og til og med studenter under seg, viser en stor variasjon i hvordan de tolker lungelyder. Motivasjonen bak dette her er da å gjøre det mer objektivt og mer standardisert.

SS: Så du driver med maskinlæring på dette her? Når ma snakker om kunstig intelligens så har folk begynt å skjønne at dette dreier seg om ganske mange forskjellige teknologier. Det er bildegjenkjenning, det er naturlig språkprosessering, det er mekanikk, på en måte prosessforbedring osv, men lungelyder da?

JR: Lyder er jo noe som er litt annerledes enn de tingene som du nevner der, men det er mye innenfor områder med lyder også i maskinlæring, da typisk speech processing. Der har du jo Siri og Cortana til Microsoft osv.

SS: Fordi de tar jo bare sammen lyder og tolker det over til bokstaver og stavelser og ord og setninger.

JR: Det som er typisk er å faktisk konvertere lyddataen til en bildepresentasjon som visualisering av lyden så du kan se på frekvensen over tid om hva slags frekvensområder er aktive. Og da

får du se hvordan lyden oppfører seg over tid og så har du da et bilde av hvordan for eksempel et ord vil se ut. Det kan ta et sekund og så kan du se det på bildet hvordan det ser ut. Så det er samme prinsipp vi bruker på lungelyder hvor vi konverterer til bildevisualisering. Og så bruker vi egentlig bare da eksisterende metoder for å klassifisere og detektere i bilder.

SS: Hvorfor er det viktig å ha dette verktøyet?

JR: Det har potensiale til å hjelpe mange mennesker. Vi ser jo at kroniske sykdommer er et problem som er sterk voksne. Det er 3 millioner på verdensbasis i dag som har kroniske lungesykdommer og det er problem i dag med at managmentet ikke er godt nok. Det å jåndtere sykdom er ikke godt nok. Det koster mye ressurser. Og det finnes det ikke gode nok løsninger på. Det er det vi ser som et stort problem.

SS: Ja. Så effektivisering av både diagnostisering og hjelpe verktøyene til det, og behandling og eller?

JR: Ikke behandling i utgangspunktet. Det kan være en mulighet for å bidra i medisineringen.

SS: Ja, som å overvåke for eksempel?

JR: Ja. For eksempel når du har kols så får du perioder med forverring. Kan du plukke om den forverringsperioden tidlig og starte opp med medisinsk behandling tidsnok for det, så kan du unngå kanskje at de må legges inn på sykehus osv. Men vi ser ikke for oss at leger spesielt er interessert i det vi driver med her i dag. Fastleger er vel flinke allerede; de er godt utdanna og har hørt tusenvis av eksempler. Men vi ser for oss at det kan gi muligheten til for eksempel sykepleiere for å ta i bruk denne teknologien.

SS: Du er informatiker?

JR: Jeg er informatiker ja.

SS: Hvorfor valgte du dette eksempelet fra medisin, og hva er det du er god på? Altså, når du skal lage et AI verktøy for lungelyder innen medisin faget; hva programmerer du selv, hva henter du fra biblioteket – jeg har bare lyst til å forstå litt prosessen! Hvordan lager man noe sånt?

JR: Min interesse for maskinlæring går egentlig tilbake til informatikk studiene. Og så var det masteroppgaven som var litt tilfeldig. Det var tilfeldig at jeg valgte den. Men det fordi jeg hadde hørt at det var et stort datasett.

SS: Norsk?

JR: Norsk datasett ja. Og jeg gjorde en del undersøkelser på forhånd om dette er noe maskinlæring kunne bli applied til. Jeg hadde gjort en del maskinlæring på hobbyprosjekter før jeg kom med masteren min, så det var derfor jeg tok prosjektet også var det et potensiale i det å kunne for i medisinsk data så har du et potensiale som er ganske stort.

SS: Jeg har hørt at Norge har gode datasett innenfor medisin. Er du enig i det? Hvorfor sier man det?

JR: Jeg vet ikke. Det er jo mye godt datasett generelt i verden også. Men kvaliteten på datasettet vi har er velig unikt i forhold til sammenligningen av datasett med andre steder.

SS: Og det betyr hva?

JR: Altså, det er gjort en så sinnsykt god jobb med å håndtere og klassifisere og det er verdens beste eksperter som har håndtert datasettet. Og det er kjempe stort og lagt inn mange tusen timer faktisk i datasettet.

SS: En ordentlig datadugnad.

JR: Ja.

SS: Men. Det gode er at det blir bedre behandling, i hvert fall bedre diagnostisering av dette her og flere blir diagnostisert riktig. Men er det noen negative sider? Bør jeg jeg være bekymret for at noen skal stjele mine lungelyder?

JR: Det er alltid utfordrende å jobbe med helsedata. Foreløpig nå så er all data anonymisert for å unngå problemer med personvern. Men den kommer jo etter hvert. Men nå er det ikke sånn at lungelyder i seg selv ikke kan identifisere noen. Det går ikke ann.

SS: Det er et rimelig greit datasett.

JR: Det er ikke noe anonymisering.

SS: Hvis du skal nevne noen norske eksempler; du nevnte Boost.ai. Hva gjør de? Og hvorfor er de spennende?

JR: De lager jo chat-robots slik jeg forstår. Men jeg har hørt mye godt om dem av at jeg har snakket med folk rundt omkring og hører at det fungerer veldig bra det de gjør.

SS: Det virker ut som at det er ganske store gjennombrudd i språkprosessering, men at vi ikke har nådd norsk som språk. Så hvis disse gutta får det til så et det utrolig bra for mange anvendelser.

JR: Det finnes jo masse chatbots der ute, men det er morsomt å se at du kan gjøre det med norsk data også.

SS: Internasjonalt; hva er favoritteksempelet ditt innenfor AI?

JR: Jeg er veldig glad i Tesla!

SS: Hva er AI i Tesla?

JR: Selvkjørende biler. Det er der jeg ser hele…

SS: Forklar til folk, altså, jeg tror at folk… Det er litt som mobilene våres; jeg tror vi glemmer at vi har en supercomputer der og hvor mye den egentlig gjør for oss. Men hvordan fungerer en selvkjørende bil?

JR: Da har du ofte flere kameraer på bilen, og så har du en hjerne i bilen som ser på disse kameraene og ser på for eksempel etter mennesker, trafikklys og fortausfelt for eksempel. Basert på den informasjonen den får så har den noen regler for hva den skal gjøre. Vi ser jo at det har gått feil noen steder, som for eksempel med Uber sin selvkjørende bil som bare var under testing, men som ikke klarte å stoppe i tide.

SS: Vi er strengere med selvkjørende biler enn med selvkjørende mennesker.

JR: Det er bra at vi er strenge tror jeg altså. Det er komplisert teknologi, og AI spesielt er noe vi ikke… Det kommer fort!

SS: Og en stor feil der kan plutselig gjelde veldig mange.

JR: Også er det veldig vanskelig når de gjør noe feil så er det vanskelig å forstå hvorfor de gjør noen feil.

SS: Ja, hvorfor det? Kan ikke du fortelle litt om Black Box problematikken?

JR: Det er veldig vanskelig inspisere et nevralt nettverk og forstå hvorfor den gjør som den gjør.

SS: La oss åpne det spørsmålet litt. Kan ikke du forklare hvordan en maskin lærer og hvorfor det etter hvert er vanskelig å forstå hva den har lært?

JR: Når du trener opp en AI ser du da på tidligere historikk og så basert på den tidligere historikken så…

SS: Du mater den med masse eksempler?

JR: Du mater den med tidligere data. Basert på den dataen så vil den gjøre nye prediksjoner i framtiden.

SS: Som den også inkluderer i sitt erfaringsgrunnlag?

JR: Ja det kan man også gjøre etter hvert. Men da kreves det nok sannsynlig noe manuelt input da. Men det å forstå hvorfor ett eksempel blir klassifisert feil og ikke feil, kan være veldig utfordrende. For eksempel i mitt tilfelle så ser jeg at snakking – når man snakker rundt et stetoskop, så kan det tas opp som en type pipelyd.

SS: Hvis vi skal snakke et øyeblikk om lokalitet. Jeg liker å spørre folk hva som gjør Norge unikt godt. Jeg skal også spørre deg hva Nord-Norge gjør unikt godt. Du velger å være i Tromsø for å jobbe med dette selskapet ditt. Er det for å være i nærhet til forskning her, eller?

JR: Ja, det er den forskningen som er viktig. De timene vi har på UiT og det samarbeidet vi har der er veldig viktig for oss.

SS: Hva er de gode på?

JR: Altså, det er verdensledende forskning på lungelyder i medisin.

SS: Det visste jeg ikke!

JR: Altså, lungelyder er jo et veldig snevert område i medisin så det er jo ikke mange som jobber med det på verdensbasis heller. Men det sitter en del flinke folk der.

SS: Men trenger hele verden det?

JR: Trenger lungelyder?

SS: Ja, altså, trenger å forstå lungelyder bedre? Lungelyder relater til globale sykdommer.

JR: Lungelyder er bare ett symptom av flere, så det er i en kontekst av hvordan pasienten er med andre type symptomer osv. Men lungelyder er litt spesielt siden legene har disse stetoskopene som er 200 år gamle. Når de kom så var det ikke gjort veldig grundig forskning på lungene før dem ble introdusert. De bare fungerte veldig. Veldig pragmatisk fordi det fungerte, så da tok man det i bruk. Det de gjør mye på UiT er å sette det i kontekts, altså, med å se ned i lungelyder og ikke ta det forgitt.

SS: Jeg spurte om du hadde noen anbefalinger om hvor man kan lære mer for å bli opplyst på AI. Hva vil du anbefale?

JR: Det kommer litt an på om du faktisk skal lære å gjøre det selv eller om du mer bare er sånn interessert som en dagligdags operasjon, jeg vet ikke. Jeg er veldig fan av Kaggle som er sånn praktisk maskinlæring.

SS: Eksempler?

JR: Ja, det er konkurranser om å gjøre det best. Også har Stanford har veldig bra kurs mer inn på deep learning.

SS: Av?

JR: Alex Karpathy tror jeg.

SS: Ja. Du nevner også machine learning på Reddit. Jeg er ikke sikker på om alle vet om Reddit. Hvordan fungerer det?

JR: Reddit tror jeg er veldig populært i USA. Det er bare et internettforum hvor det postes en del interessante diskusjoner og linker til diverse kilder, og veldig sånn hvis du vil på hvordan status på maskinlæring er i dag. Det tar pulsen av samfunnet på maskinlæring. Så jeg er fan av det. Også Hacker News.

SS: Hacker News?

JR: Hacker News ja, hehe.

SS: Så det er en website?

JR: Det ligner på Reddit bare mer spesifikt på informatikk. Og startups generelt da.

SS: Du, favorittsitatet ditt om AI var: ” Theres no free lunch in machine learning”. Hva betyr det?

JR: Ja, det betyr at hvis du har en maskin som fungerer godt på ett problem – på ett datasett – så er det ikke bare å ta den delen og kaste ditt nye datasett. Det er liksom ikke så enkelt som å bare bruke det eksisterende du har gjort. Så det handler om at du må jobbe en del for å kunne ta tidligere modeller og det statistiske på de nye problemene.

SS: Data har jo også ganske stor kost, så det å vite hva man skal med dataene og hvordan man skal få… Hvis man toruturer data lenge nok så sier du akkurat hva du vil.

JR: Det også er jo problematisk og du kommer litt… Du må ha et valideringssett som hjelper deg på veien. Men igjen, hvis du torturere det valideringssettet nok, så kan det også si hva du ønsker det skal si.

SS: Hvis folk skal ha én stor idé i hodet sitt etter samtalen vår. Hva har de lært?

JR: Jeg tror folk blir obs på at det er ganske store muligheter nå med maskinlæring. Og jeg tror Norge også har et stort potensiale i å invistere mer i det. Jeg vet USA er utrolig frampå.

SS: Og Kina enda verre.

JR: Kina sikkert også. Jeg kjenner ikke til så mye til Kina for de holder det kanskje litt skjult. Men jeg tror Norge, Europa også, har muligheten til å ha - eller burde - investere mer i det.

SS: Ja. Og da er det et veldig flott og konkret eksempel med Medsensio som er maskinlæring for lungelyder som er et gründerselskap i nær tilknytning til Universitetet i Tromsø. Johan, tusen takk for at du ble med og lærte oss om kunstig intelligens anvendt på medisin.

JR: Yes. Takk for at jeg fikk komme hit.

SS: Og takk til dere som lyttet.


Du har lyttet til en podcast fra Lørn.Tech - en læringsdugnad om teknologi og samfunn. Følg oss i sosiale medier og på våre nettsider Lørn.tech.



Hvem er du, og hvordan ble du interessert i AI?

Johan Ravn, daglig leder og teknologisk co-founder i Medsensio. Interessen for maskinlæring kom under studiene i informatikk. Kombinasjon av informatikk, distribuerte systemer og maskinlæring er utrolig spennende.

Hva gjør dere på jobben?

Lungelyd-analyse ved hjelp av maskinlæring. Vi bruker mye av tiden på teknologisk utvikling, og har nå en prototype hvor et stetoskop er koblet med analyse i clouden. Fremtiden kommer til å bli dominert av løsninger som benytter seg av maskinlæring.

Hvorfor er det spennende?

Teknologi har mulighet til å gjøre ting bedre og lettere, noe som igjen gjør at vi kan slippe å bruke tid på manuelle og kjedelig ting.

Hva synes du er de mest interessante kontroverser?

Alt med personvern og etikk er utfordrende.

Dine andre favoritteksempler på AI internasjonalt og nasjonalt?

Jeg synes det Tesla gjør med selvkjørende biler er utrolig spennende. Her i Norge virker det Boost.ai gjør veldig spennende.

Hva gjør vi unikt godt i Norge av dette?

I Norge tar samfunnet i mye større grad i bruk nye løsninger sammenliknet med mange andre land. Ofte snakker vi om at Japan er så høy-teknologisk, men de bruker fortsatt papir og fax-maskiner, og samfunnet er fullstendig basert på kontanter.

Anbefalt lesing/seing om AI?

Hackernews og machine learning på reddit er anbefalt å følge. Når det gjelder å lære seg maskinlæring så har Standford et utrolig bra åpent kurs av Andrej Karpathy.

En favoritt AI sitat?

“No free lunch in machine learning”.

Viktigste poeng om AI fra vår samtale?

I Open AI så tjener de beste forskerne innen maskinlæring en million dollar. Jeg tror det viser hvor viktig dette feltet kommer til å bli fremover og hvordan amerikanerne virkelig investerer i maskinlæring.

Johan Ravn
CEO
Medsensio
CASE ID: C0148
TEMA: AI AND BIG DATA TECHNOLOGY
DATE : 181026
DURATION : 15 min
LITERATURE:
Hackernews og machine learning på reddit Andrej Karpathy (Standford) - åpent kurs
YOU WILL LØRN ABOUT:
AI for helseLungelyd-analyser med maskinlæringTidsbesparende digitaliseringGlobal sammenliget utvikling
QUOTE
"På verdensbasis er det 3 millioner som har kroniske lungesykdommer og tallene er økende. Det er også for dårlig håndtering av denne type sykdom. Et stetoskop som vi utvikler vil hjelpe helsepersonell til å diagnostisere, beskrive og trene på lungelyder."
More Cases in topic of AI AND BIG DATA TECHNOLOGY
#C0045
AI AND BIG DATA TECHNOLOGY
Digitale tvillinger

Michael Link

Forsker

Kongsberg

#C0044
AI AND BIG DATA TECHNOLOGY
Big Data og geometrisk modellering

Heidi Dahl

Forsker

Sintef

#C0043
AI AND BIG DATA TECHNOLOGY
Slik kan Big Data predikere fremtiden

Sverre Kjenne

Leder

BaneNor