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

Silvija Seres: Hei og velkommen til Lørn. Mitt navn er Silvija Seres. Temaet i dag er helseteknologi, og gjesten min er Kyrre Emblem som er kreftforsker og gruppeleder ved Oslo Universitetssykehus. Velkommen. 

Kyrre Emblem: Takk takk. Takk for at jeg fikk komme. 

Silvija: Veldig spennende å ha deg her Kyrre. Jeg er veldig nysgjerrig på hva dere driver med på Rikshospitalet som har med AI å gjøre. Jeg hører det er noe virkelig kule greier. Før vi snakker om akkurat om prosjektet ditt, kan du fortelle oss littegranne om hvem du er og hva som driver deg?

Kyrre: Ja, jeg er jo fysiker av utdanning og har alltid hatt en teknisk interesse. Så var barn av 80-tallet med på en måte Transformers, og roboter, og Lego og alt hva vi hadde. Så det var det jeg brukte all min tid på nesten så det var naturlig at det måtte bli noe teknisk. Så jeg gikk, studerte fysikk i Trondheim. 

Silvija: Teknisk, men også teoretisk?

Kyrre: Ja, ja. Matte og fysikk het det i hvert fall den gang. Og så, der var de også gode på dette her med medisinsk teknologi. Særlig den overgangen mellom mennesket og maskin, og alle disse krysningene, det var veldig fascinerende. Så det var vel egentlig inngangen. 

Silvija: Og så roter du deg bort i medisin?

Kyrre: Ja. 

Silvija: Hvordan gikk den overgangen?

Kyrre: Ja, det var egentlig litt, på en måte fanget av miljøet i utgangspunktet. I Trondheim var det veldig bra på medisinsk teknologi, også veldig på bildebehandling, bildeanalyse av medisinske bilder. Og jeg så nok at jeg kunne drive med de samme tekniske tingene der i sin form. 

Silvija: Det er mye fysikk rett og slett i kreftforskning? 

Kyrre: I høyeste grad. Så alt fra, jeg jobber mye med det vi kaller abdologi, sånn MR maskiner. Og det er veldig mye fysikk, til selve bildeanalysen og selve dataen som har med analysen av bildene å gjøre.

Silvija: Kan du ikke gi oss en lego forklaring av hvordan en sånn MR maskin funker?

Kyrre: Den funker rett og slett at det er en veldig kraftig magnet som man kan manipulere, og ved at man gjør det så kan man spille på lag med kroppens byggeklosser slik at man får ut de forskjellige komponentene i vevet og ser hvordan de er bygget opp. Slik at man ser de forskjellige strukturene inne i kroppen som man ellers ikke ville sett. 

Silvija: Og når man da blir sendt til å ta en MR forsøker man da å finne en klumper eller? Eller flytende veske? Hva ser man?

Kyrre: Ja, det er helt riktig. Man egentlig se alt man vil se etter. Så du tilpasser maskinen til å lete etter det du ønsker å se da. Så du kan se både klumper og ting som beveger seg, og ting so står stille, og ting som tar næring osv. Så det er rett og slett litt oppgaven til sånne som meg å tilpasse de maskinene til å ta riktig type bilder.

Silvija: Og så kan man også putte inn, man kan spise noe veske som gjør at det blir enda mere synlig, eller gjør visse klumper enda mer synlig?

Kyrre: Ja, litt avhengig av hvilken teknikk man bruker, men det klassiske er at man sprøyter inn kontrastmiddel som vi kaller det, for eksempel i armen. Også ser man hvordan den kontrasten beveger seg igjennom kroppen og det området man ønsker å ta bilde av. 

Silvija: Også bruker man disse resultatene av MR til å se blant annet etter kreft? Og dette henger sammen med kreftforskning og AI fordi?

Kyrre: Ja, det er jo et stort spørsmål. Men i alt dette ligger det at man bruker det til å finne sykdom. Det er det man har gjort i mange år, rett og slett at man..

Silvija: Hvor lenge?

Kyrre: Ja, litt avhengig av hvilken maskintype du snakker om, men det var på 80-90-tallet dette her ble mer vanlig verden over. Hvert fall de maskinene sånn som vi kjenner de i dag. Men det har jo en lang historie, med røntgen er jo over 100 år gammelt. Så at vi tar med oss historien der. Men det vi bruker det er rett og slett for å se på sykdom, og ikke mist skjønne hvilken sykdom det er, og derfra hva slags behandling man trenger videre. Og til slutt hvordan behandling faktisk virker. 

Silvija: Men så nevnte du også dette i stor grad bildebehandling. Så ikke sant så får du masse forskjellige formater og få er mer eller mindre synlige for menneskelig øye. Det er der du da begynner å grave?

Kyrre: Ja. Ja. Så nå er vi på en måte inne på det som er mer praktisk min forskning, som egentlig har to retninger. Det ene er å prøve å forstå sykdommen, kreft i mitt tilfelle, og hvordan den virker og hvordan behandlingene virker. Men for å komme dit må vi ha metoder som vi skjønner og vi kan bruke og, noe som jeg er veldig opptatt av, er at det er reproduserbart. G da kommer maskinene i større grad inn. 

Silvija: Altså at folk med samme type kreft har samme type bilder?

Kyrre: Ja. Her er det mange elementer, men de har ikke nødvendigvis de samme bildene, men de må forstås og leses på samme måten og under de samme forholdene helst. Og det jeg mener med det, er at hvis du som pasient tar en undersøkelse på et sted, hvis du hadde tatt den et annet sted og hadde blitt sett på av en annen ekspert, så ønsker du gjerne at de skal komme til det samme resultatet. Du ønsker på en måte ikke at det skal være brukeravhengig, og da kan maskinene hjelpe oss. Rett og slett fordi at selv den beste ekspert vil helt umulig klare å gjøre det samme igjen og igjen når du gjør det som en person. Mens en maskin kan, hvor feil det enn måtte være, kan man alltid gjøre det samme sånn at det blir reproduserbart i en helt annen grad. Og det lar seg spre utover slik at man kan bruke samme metode over alt. 

Silvija: Hvor kommer kunstig intelligens inn?

Kyrre: Ja. Det er liksom, når vi tenker kunstig intelligens i den nye formen vi nå, vi i dag snakker om kunstig intelligens, litt mer avansert. Det har jo blitt brukt i lange tider, men litt mer banale former, rett og slett man enkelt kan kalle statistikk, mens nå bruker man litt mer aktivt i på en måte bildebehandlingen. Og da er det særlig ett felt man bruker det på, og det er å finne sykdom. Det er rett og slett, for hvis du gikk og fikk en undersøkelse for bare 10 år siden så ville du få ut av en MR undersøkelse kanskje 100 bilder, kanskje i beste fall et par 100 bilder. Mens nå får du ut tusenvis av bilder, kanskje ti tusenvis av bilder. Og det er helt umulig for en enkelt person å ha full oversikt over hva som skjer på alle de bildene med veldig høy oppløsning. Så man kan rett og slett la maskinen hjelpe til med den biten. 

Silvija: Okei. Så veldig stor fart og veldig god evne til å se etter forskjeller i mønstre, ikke sant, for det er forskjellige type mønstre man ser etter og så ser man det på som er avvik? 

Kyrre: Ja.

Silvija: Og så trenger kanskje fortsatt menneske til å tolke det avviket?

Kyrre: Ja. Ja. Så her er det på en måte litt der det står er da at man typisk ønsker å ha store treningsdatasett. Det er da vi snakker om maskinlæring i den form. Så har man data som man lar maskinen trene på, som man har vist maskinen hva sykdom er, hvordan det ser ut i mange former. Også gjør man det i så stor grad og så omfattende grad man klarer. Også får man inn nye datasett som man ikke har svaret på. Også kommer maskinen opp med et forslag på hva dette er. Også er dette nettopp opp til en tredjepart, en ekspert å vurdere om det man ser er riktig eller ikke. Og da kan man jo tenke seg i en praktisk sammenheng, så er det jo bedre bruk av tiden til en ekspert. Ved at istedenfor å sitte å lete i disse titusenvis av bildene så kan man da konsentrere seg om avvikene, eller det som avviker fra det som er normalen.

Silvija: Er det der du snakker om informasjon som ligger gjemt i medisinske data?

Kyrre: Ja. Helt riktig. Så det kan være ting som man ser med det blotte øyet også, men det kan, det er jo litt av magien med disse nye mere avanserte maskinmetodene som gjør seg tilgjengelig, at man også kan se på ting som ikke helt nødvendigvis er helt framme og oppe i dage. Det kan for eksempel være kombinasjoner av informasjon. Kombinasjoner av bilder kan det være. Kombinasjon av bilder vs annen informasjon. Som gjør at man kan trekke nye sammenhenger som man før ikke hadde. 

Silvija: Jeg har lyst til å spørre deg om to eksempler fra utsiden som jeg har hørt om, hvis vi kan nerde bare bittelitte grann om det. Det er ene er dette eksempelet med maskinen Watson, maskinen til LiBM, som har funnet denne kjempesjeldne krefttypen for en dame i Japan. Fordi den kjente noe igjen i bildet, hvor mye science fiction er det og et heldig eksempel, og hvor mye av det kommer vi til å se i fremtiden?

Kyrre: Ja. Jeg skal være forsiktig med å uttale meg om akkurat den konkrete saken. Men vi, sånne ting har nok en tendens til at man får solskinnshistoriene. Bildet er nok ganske komplekst. I så måte at, store generelle systemer vil alltid ha sin begrensning at de ikke er så gode til å fange opp lokale forhold. Så at den teknikken skal være kjempebra akkurat her for oss eller på en måte der du bor, det er ikke nødvendigvis sant eller sikkert. 

Silvija: Den har vært lirket til ganske mye for å treffe kanskje?

Kyrre: Ja, eller, den traff helt sikkert fint i det tilfelle, men hva den gikk glipp av det vet vi ikke. Og det blir hele tiden en sånn veksling mellom hva som er en for generell metode og hva som er en for tilpasset metode til akkurat våre forhold. 

Silvija: Riktig. 

Kyrre: Så jeg kan godt lage en veldig bra maskinlæringsmetode for pasientene som er på sykehuset der jeg jobber, men at den metoden er veldig bra for pasienter som er på et annet sykehus, det er ikke gitt. Og da snakker vi om det som heter overtilpasning som er liksom litt andre siden. 

Silvija: Ja. Du modellerer akkurat det du vil finne og så finner du det? Eller har en større sjanse for å finne det?

Kyrre: Ja. Eller rett og slett fordi du tilpasser litt kartet til terrenget. Men da er det jo også igjen, det finnes jo masse tekninger som skal forbedre dette. Men må hele tiden, det jeg prøver å si er at man må finne grensegangene mellom hva som er en generell metode og hva som er en tilpasset metode. Det er derfor jeg tror at sånne ting som Watson er ting som kan fungere bra på litt mer overordnet nivå og litt mer standardiserte former, men hvis du begynner med veldig avanserte ting så må man i større grad tilpasse metodene til det miljøet man finner seg i dag.

Silvija: Og det som er mitt neste spørsmål er da hvis man fantaserer litt vilt og uhemmet, så tar man og tenker at du kan lese etter hvert klumpene i kroppen min og finne det som ikke skal være der, og hvis jeg da hadde gått til en MRI ukentlig så ville jeg hatt en ganske fin sånn forebyggingsvaksinering mot kropp, mot kreft nærmest. Og så har vi etter hvert disse klokker også, det blir ikke fullt en MRI, men du får mye informasjon fra kroppen din hvis du vil fremover. Også er vi i fullstendig ute av stand til å lese det vi får av informasjon. Hvor mye kan man, hvor mye bør man begynne å bruke dette her bare «i tilfelle» osv? 

Kyrre: Ja. Blir jo hele tiden en avveining mot faren for å få falske positive. Hvis du tar mange undersøkelser så vil du sannsynligvis finne noe. Rett og slett for at du har så mye data at det vil oppstå en del ting som fremstår unormalt. Det kan godt være at det er unormalt, men det kan også godt være ting som er helt normale, men som avviker fra det, nå snakker vi i kontekst av maskinlæring, fra det maskinen har blitt lært opp til å gjenkjenne som unormalt. Så, og det vil jo også medføre mye ressurser hvis noen skal sitte og vurdere alle disse MR-undersøkelsene, og om det maskinen fant var bra eller dårlig. Så det vil jo hele tiden være en oppveining. Og det er jo ikke gitt at du som person blir lykkeligere av å vite at du har noe i kroppen som ikke er noe farlig, men nå vet du at det er der. Og du har på en måte ikke fått avkreftet hva det er eller hva som kommer til å skje med det. Så, ja det er ikke ubetinget positivt at man bare skal undersøkes mer og mer. Det ligger mye der. 

Silvija: Jeg sitter og tenker på parallell med kidnappingssaken, hvor en sikkerhetsekspert hadde sagt at «ja, du kan sikre deg så mye at du har ødelagt livskvaliteten din helt også. Fokuser på de viktige tingene, som hus, brann og sånn». Det er litt sånn i medisin også. Vi kan diagnostisere oss i hjel, men å bli fullstendig hypokondere hele gjengen eller vi kan passe på de store tingene. Hva er de store tingene man skal passe på når det gjelder kreft?

Kyrre: Ja, hvis jeg kan svare på spørsmålet ditt på en litt annen måte, så tenker jeg at det beste bruken av alle disse metodene og kunstig intelligens som vi nå sitter og snakker om, det er kanskje mer der sykdomsbildet er litt mer avklart. Så ikke sånne store screeningundersøkelser, men der man litt mere vet, det er kjent pasient som har en kjent sykdom og man ønsker å følge den over tid for eksempel, eller man ønsker å se om det kommer nye sykdommer fra den pasienten. Ofte i kreftsammenheng så snakker vi om at man kan få spredninger i kroppen, og da kunne man tenke seg at maskinen kan gå mer detaljert inn for da vet man at her er det fare for det. Og da tenker jeg at det er bedre bruk av teknologien enn å sjekke seg hele tiden. 

Silvija: I tilfelle?

Kyrre: Ja, rett og slett.

Silvija: Man kan rett og slett bli fullstendig oppslukt av det, pluss at det, jeg bare tenker på at en god kreftlege sa noe som jeg likte god: «Ja, hva er det som virkelig liksom hjelper? Nei, altså det er kjedelig svaret, sov nok, tren nok, spis ikke for mye og ikke for mye sukker, så har du gjort stort sett det du kan.». Og det er kjedelig.

Kyrre: Ja, det er godt sagt. Kjedelig, men sant. 

Silvija: Du, har du noen internasjonale eksempler som du ser til som inspirasjon?

Kyrre: Ja, det er jo litt på en måte, det vi ser der da som jeg synes var litt spennende og en liten utfordring, var at jeg som forsker og særlig de i mitt miljø som er veldig gode på maskinlæring, de kan godt sitte her i lille Norge og gjøre oss så flinke som vi bare vil, men vi klarer på ingen måte å konkurrere mot de store miljøene som finns ute i verden. Og det er ikke bare i medisin, det kan være for eksempel Google har ekstremt flinke folk til å programmere maskinlæring. Og jeg tror det er litt utopisk at man som hver enkelt forsker skal sitte å konkurrere mot det her. Så if you can’t beat them..

Silvija: Steal with pride heter det. 

Kyrre: Ja. Ikke sant. Det er jo rett og slett det vi faktisk gjør, men det fine i dette er at Google og andre faktisk ønsker å dele disse metodene sine. Og det er litt holdningen i teknologi, IT-verden, at man deler metodene sine. Så vi bruker algoritmene software-teknikkene fra disse store selskapene i våre data. Så langt det lar seg gjøre, men igjen så kommer vi litt til dette med hva vi får lov til og alt sånne ting som pasientsikkerhet og sensitiv informasjon. Det er mye brytninger der da. Men de, for du nevnte internasjonalt, for de store internasjonale gode miljøene bruker dette helt slavisk. 

Silvija: Jeg tror at det er selvfølgelig en stor, hva skal jeg si, en stor vind også for Google og Tensorflow hvis dere klarer å løse noen relevante krefttilfeller med dem. 

Kyrre: Ja, og det gjøres i dag. Det er gode eksempler. Vi bruker for eksempel Google, neo som heter GoogleNet, som er en algoritmeform som vi bruker til å finne kreftsvulster. Og den metodene er like bra som alt mulig annet vi klarer å komme opp med selv. Så hvorfor ikke stjele av de beste nettopp. 

Silvija: Du, hvis du skal gi folk en sitat i gave, hva kan du si?

Kyrre: Ja, det var, her er det mye og man skal liksom vokte seg litt. Men det var særlig innenfor radiologi, som er mitt felt, så snakker man om at for en del år siden, at når dette her kom så var det mye snakk om at det skulle ta over hele verden og at man rett og slett kunne kutte ut alle radiologiske tjenester. Og særlig mange av disse pionerne innenfor feltet mente dette her da, litt populistisk. 

Silvija: At radiologer blir overflødige på grunn av AI?

Kyrre: Rett og slett. Så det var på en måte, hvorfor kaste bort tid på dette, mens kontringen der fra miljøet selv, og det synes jeg var ganske sånn innsiktsfullt tross alt, at man så kanskje mer at, det var ikke så sort/hvitt, men at de som ikke tar seg i bruk disse nye metodene, de blir kanskje overflødig. Så det på en måte tvinger fram det at man må klare å se for seg at man er i en ny verden at det man lærte på skolen ikke nødvendigvis er det viktige også for fremtiden. Det er jo noe å ta med seg. Det tror jeg gjelder oss alle, ikke bare radiologene. 

Silvija: Parallellen der som jeg tenker på er regnskapsførere og Excel. Ikke sant Excel gjorde bare, den gjorde dem ikke irrelevante, det ble mer jobb enn noensinne, for gode regnskapsførere og CFOer. Men de som ikke brukte Excel etter hvert konkurrerte ikke så veldig bra. 

Kyrre: Ja, det er et veldig godt eksempel. Og jeg tenker at dette åpner, alle disse mulighetene innenfor maskinlæring åpner opp muligheten for mye mer, mer forskning, mer diagnostisk osv. Kanskje ikke så mye at man skal gjøre flere undersøkelser, men at man utnytter det som faktisk finnes der allerede bedre. 

Silvija: Hvis folk skal huske en ting fra vår samtale, hva skal det være? En slags oppsummeringstanke.

Kyrre: Ja, jeg tenker, jeg synes det er viktig å formidle en slags entusiasme og positivitet litt der vi er nå, og det er veldig gøy å være med på dette. Jeg brukte, for ti år siden lagde vi også en publikasjon og forskningsartikler der vi snakket om maskinlæring, men det er jo noe helt annet enn det vi snakker om i dag, så da blir man litt sånn dinosauren i rommet. Men, jeg synes man skal ta med seg det, men samtidig erkjenne at det er mye som er ugjort for å komme dit. Og særlig den krysningen mellom de intensjonene man har for å få bruke kunstig intelligens i helse versus den virkeligheten vi sitter i. Og i de tunge systemene og begrensningene vi har der er det mye å ta tak i. 

Silvija: Jeg tenker at dere har ventet på den perfekte bølgen. Dere har posisjonert dere og ventet lenge, og nå skal dere ri den bølgen bra ikke sant?

Kyrre: Ja, det utnytter vi. Så det er absolutt. Så jeg er veldig positiv for fremtiden sånn sett. Og igjen, jeg tror ikke det er snakk om å utkonkurrere noen andre, men at det gjelder å jobbe sammen og bruke dette til det beste. 

Silvija: Kyrre Emblem, som er vår da robocop kreftforsker, tusen takk for at du kom og inspirerte oss til for å lære mer om den gode fordelingen da, mellom forskere, diagnostikere og maskiner i helseforskning. 

Kyrre: Takk for det. 

Silvija: 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.