H

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

Silvija Seres: Hei og velkommen til lørn.tech. Temaet i dag er Medtech og navnet mitt er Silvija Seres. Jeg skal intervjue Ishita Barua som er stipendiat som er klinisk forskning ved universitet i Oslo. hun jobber med kunstig intelligens anvendt i medisin for å finne ut årsaks sammenheng tenker jeg, men det her må du hjelpe oss med å forstå litt mer Ishita. Velkommen! 

Ishita Barua: Tusen takk! Takk for at jeg fikk komme. Ja det stemmer. Jeg har da bakgrunn da som lege og jobber på sykehuset i en del år før jeg gikk over til forskningen. Så det jeg har jobbet spesifikt med var da tarmkreft. Jeg var da lege som undersøkte pasienter for å se forstadier for tarmkreft. Som er da en av de vanligste krefttypene som vi har i Norge. Så det er noe vi er litt for flinke på. 

Silvija: Vi har mye av det? 

Ishita: Vi har mye av det. 

Silvija: Har det noe med klima, mat eller vi vet ikke? 

Ishita: Nei man vet faktisk ikke. 

Silvija: Da er det greit å finne ut kanskje hvorfor. 

Ishita: Ikke sant. Så en av de prosjektene jeg jobber med er å se på hvordan vi kan bruke kunstig intelligens innenfor medisin med å hjelpe oss med bedre å finne frem til årsaker. Sånn at i det prosjektet som jeg jobber med som heter endo brain internasjonal, som er en multisenterstudie som vi samarbeider med andre land også. Så ser vi på hvordan vi kan bruke AI som et klinisk besluttningsverktøy. det ligger litt i ordet at det skal jo ikke erstatte legen, men det skal være supplement og verktøy vi kan bruke for å gjøre den jobben vi gjør med diagnostikk f.eks i litt enklere å bedre kanskje. 

Silvija: Jeg må spørre deg. Vi må snakke litt om deg også egentlig sånn til å starte med. men diagnostikk, når det gjelder tarmkreft. endetarmskreft? 

Ishita: Tykktarm kreft.

Silvija: Da er det koloskopi som man putter opp i kamera der man tar bilder også kan man bruke AI akkurat som radiologer liksom for å prøve å tolke disse bildene og se etter mønstre. Hjelper mer effektivt enn det mennesker kan. 

Ishita: Helt riktig. det man ofte ønsker er at sånn som man planlegger nå, så er det tenkt at man skal ha et tarmkreft skriving program som skal innføres fra og med neste nasjonalt i Norge. Og da er det viktig at man ser etter forstadiene til nettopp tykktarm kreftene eventuelt finner tykktarm kreft som allerede er etablert. 

Silvija: Hva er forstadium? Er det en liten klump eller er det sår på huden. 

Ishita: Helt riktig. Det er f.eks som det vi kaller for polyp, altså en utvekst av tarmslimhinnen som har programmert som på en måte har hatt en cellevekst og vi skiller mellom to typer polypper da som vokser i tykktarmen. Du har de som er farlige og de som er helt ufarlige. De aller fleste er helt ufarlige, 90%. Så det betyr at vi er interessert i å se etter de som kunne blitt til kreft. det er god ressursbruk å gå etter de. Og det er da vi prøver i dette prosjektet. Prøver å finne ut om vi kan bruke kunstig intelligens til å hjelpe oss med å finne nettopp de som kunne ha blitt til kreft senere. Og dette er jo..kreften vil jo utvikle seg over ti til 15 år så det er forholdsvis langt tidsperspektiv, men det er viktig at man tar dem så tidlig som mulig. Og for å eradikert den kreftrisikoen. 

Silvija: Men så tenker jeg bruk av kunstig intelligens. Skjønner i radiologi, at de studerer masse masse bilder og de ser nyanser og de ser kanskje de ser ting som kanskje ikke er så lett å oppfatte av menneskets øye også. men så finnes det noe mer man kan gjøre? hvis du virkelig leter etter denne årsakssammenhengen, men hvorfor er vi som nasjon mer utsatt? Så kunne man kanskje koble dette med andre helse data og det med krysskoblingene også. Man kan kanskje finne noe nytt gull. 

Ishita: Det vil jeg si at er veldig godt grunnlag for egentlig å gjøre i Norge. Fordi vi har blandt de beste helseregistrene eller kreft registrene i verden. Altså med kreftregisteret så har vi. Det ble vel innført i 1951 i sin tid og det er av veldig veldig høy kvalitet. Og det er det veldig mange i resten av verden som er misunnelig på. Fordi de har ikke den samme tilgangen til helsedata som det vi har. 

Silvija: Hvorfor har vi gode helsedata? Jeg har hørt jeg snakket det til mine foredrag, men jeg forstår ikke årsaken også som jeg forstår det, så har vi mange gode siloer av helsedata. og disse siloene består av tidsserier som er lange. 30 eller hva sa du...

Ishita: 70. akkurat det. 

Silvija: 70 år med data. Og disse dataene relative rene og godt strukturerte. Hvorfor? 

Ishita: Det aller beste med dem er at de er kombinert med personnr sånn at de er koblet til hver enkelt som har fått den kreftdiagnosen sin. sånn at du kan gå inn på din individnivå og se hvem som fikk hvilken type kreft. 

Silvija: Så kan du gruppere ting på

Ishita: Helt riktig. Sånn at kreftdiagnostikk eller kreftdiagnoser er indisert etter på et individnivå og det gjør at det grunnlaget er veldig godt. Annen type helsedata er ikke like godt digitalisert eller indeksert. Så hvis du skulle ha gjort det på journaler sånn som det er veldig mange som er i ferd med å utvikle kunstig intelligens som tar for seg den nettopp den med å lese gjennom journaler og kommer raskere til bunns i den informasjonen som legen trenger, den er vanskeligere. Fordi der er det mye på papir, det er veldig mye som er usortert. sånn at det er vanskeligere å på en måte finne frem til riktig data. At vi som menneske bruker lang tid på å se gjennom en journal så er det veldig hendig med en datamaskin som vil bruke kortere tid, men det er fordeler at det er indeksert helt riktig. Og der er litt av problemet. Sånn at under kategori som f.eks allergi innenfor en journal så vil du forvente å finne opplysninger om allergi. Men hvis legen da har notert dette et annet sted, så oppstår det plutselig et problem. 

Silvija: Da er det egentlig vært litt sånn strategisk alt for skurrete tenker jeg. I forhold til at noen kan misbruke våre helsedata og personvern relatert til det. men jeg tenker at positive effekten vi kan få ut av dette her, særlig så lenge det er i hendene til det norske offentlige systemet som aldri skal tjene penger på vår helse. Den er så enorm. 

Ishita: Ja! det er gjort undersøkelser på dette her med folks tillit også, til nettopp dette med å delta i både forskningsprosjekter og dele helsedata. Der vi ukritisk deler helsedata med alt fra apple til div apper som på en måte får måle puls og den type ting. så er vi fortsatt 94% av oss veldig kritiske til hvordan denne dype dataen faktisk håndteres. direktorat for e-helse ser jo at 95% er positiv på å dele den dataen forutsatt det er gode systemer for ivaretakelse av nettopp sensitive opplysninger. Da varer 94% at det er noe de er opptatt av. Men igjen så er man ukritisk til bruk av apper, sånn at det er en slik..man gjør en vurdering der og generelt så er det norske befolkningen veldig positiv til å nettopp dele helsedata. Tror det er veldig interessant at det er godt utgangspunkt for videre utvikling av kunstig intelligens og også digitalisering i helsevesenet. 

Silvija: Men jeg det der er i så mange ledd og effekter. En konsekvens av velferdsstaten vi har. for jeg kan skjønne at I USA, for der er det bare 1 tapt jobb, 1 operasjon unna personlig konkurs. Gud forby at noen får tak i dine helsedata i forhold til forsikrings betingelser osv. mens i Norge så vet du at du blir til syvende og sist tatt vare på. Da er det også utrolig viktig at vi ikke gjemme bort det som ikke er nødvendig å gjemme bort i forhold til at noen faktisk kan hjelpe oss med å vedlikeholde helsa vår mer effektivt. 

Ishita: Samtidig så skal vi være litt forsiktig fordi vi har sett eksempler på i Norsk helsevesen hvor Norsk helsedata faktisk drar til utlandet og håndteres der. sånn at den tilliten er basert på den Norske helsevesenet, mens selv der så er det tilfeller av datalagring og skandaler midt oppi som på en måte ja, trekker ned den tilliten og kan gjøre det hvis man ikke er forsiktig. Så det er helt klart et problem og litt sånn hvordan vi holder på i helsevesenet generelt. At vi fakser helseopplysninger. Dioksid fraktes med taxi. 

Silvija: Tilfeldig. 

Ishita: Helt riktig. Tilfeldig helt enkelte ganger sånn at vi kunne helt sikkert blitt helt eller mye bedre på å håndtere sensitive opplysninger og helsedata. 

Silvija: Vi kommer tilbake til dette her. Må bare spørre deg litt om deg selv. Fortell litt om hvem du er og hva som driver deg. 

Ishita: Ja! jeg som sagt så har jeg bakgrunn som lege sånn at det at jeg gikk inn i forskningen det har mye takket å være at jeg ønsket å finne ut av spørsmålene som jeg hadde rundt tarmkreft og egentlig forskningen rundt dette. 

Silvija: Vent litt. Folk hører at du er en dame, men de ser deg ikke. Har en vakker indisk dame foran meg. Fortell litt om den siden også. 

Ishita: Ja! Jeg er født i Bangladesh og ble med foreldrene mine til Norge da jeg var 2 år. Siden har jeg bodd i Oslo. Studerte i Medisin i Oslo. Trives veldig godt på Rodeløkka hvor jeg bor nå. 

Silvija: Du driver med sang og musikk på fritiden. 

Ishita: Jeg gjør det. Det er ja! mine foreldre var opptatt av at ikke bare sånn som alle veldig sånn klassisk asiatiske foreldre. At ikke skal du ha..

Silvija: Lege eller advokat. 

Ishita: Ja! De var mindre opptatt av det men mer opptatt av at du skulle ha en solid utdanning, men også sånn som de pleier å si: Det er ikke bare utdannelse. Det er dannelse også. Sånn at musikk og litt mer sånn kunstnerisk bakgrunn var viktig i oppveksten. Ble skolert i klassisk vestlig musikk. Har bare holdt på det egentlig. 

Silvija: Kan du det, vil du ? 

Ishita: Jeg skal ikke komme med en trall her, men ja det er noe som har gått litt mer..det har ikke fått første pri etter at jeg begynte på medisin og med forskningen. Men definitivt jeg tar frem når jeg skal koble av ja. 

Silvija: Noen leser noen bøker om hvor viktig matematikk er. Jeg er matematiker ikke sant. Man utvikler med nytt språk eller en nytt nivå av strukturer og de vakre symentriende og det vakre i verden. og så sies det at musikk gjør akkurat det samme med hjernen din. Den gir deg en slags sensitivitet som er utrolig synd i livet. 

Ishita: Det er jeg helt enig i. Og det er også en veldig. Altså det var under medisinsk studie som til tider ganske tøft, så var det en fin avkobling rett og slett. 

Silvija: Så tilbake til AI og medisin. Du er lege, du gikk på en måte ..du må lære deg litt om alt og så må man på en måte velge noe og der velger du. Hva velger du da..

Ishita: Gastro ... som er fordøyelsessykdommer. Spesialiseringen i fordøyelsessykdommer. 

Silvija: Det er ikke så mange som kombinerer det da med AI. 

Ishita: Nei. det tror jeg..der kom vi litt inn på litt det jeg tenker om AI. At AI er så generelt at vil på en måte få en innvirkning på veldig mange spesialiteter. Nå ser vi det masse i radiologi, du ser det i kardiologi og du ser det i endomilogo. 

Silvija: Nå bruker vi AI til å analysere hjerte (?) 

Ishita: Helt riktig. De tre jeg nevnte nå er jo de spesialitetene hvor det er flest FDI (?) godkjenninger. Altså amerikanske legemiddelverket inn og godkjent flest AI der inne i helse innenfor disse tre.

Silvija: For gjenkjennelse av ting. 

Ishita: Ofte maskinlæring som på en måten som er den enkleste formen. Veldig fint å kombinere med medisin. For der er det ofte ting kan standardiseres og da får du på en måte..du gjør jobben enklere for leger, at det kan bli supplement. F.eks med røntgenbilder da at istedenfor at en eller flere skal lege skal gå gjennom 100 vis av røntgenbilder, så har du på en måte laget datasett som er godt nok. Og laget en algoritme. Så kan de på en måte merka av de du må se ekstra på hvor det er et avvik. Og det kan hvis det er dårlig laget så vil det på en måte egentlig få mer jobb. Fordi det blir luka på flere avvik. Hvis det er godt laget, godt trent og godt datasett. Så vil du faktisk få en forenklet jobb. Det ser vi allerede innenfor radiologi. Nå vet jeg ikke om noe klinisk bruk, tror ikke det er tatt i klinisk bruk i Norge enda. Men det er på vei. Det er allerede kommet langt. 

Silvija: Hvor vi rett og slett mater alle disse bildene inn i systemet og så samarbeider man med systemet. Hvor den foreslår interessante avvik og så må du si at dette er relevant og dette er ikke relevant. 

Ishita: Helt riktig. Det er der jeg også mener at leger har en god mulighet til å komme inn og være med på den teknologiske utviklingen. Fordi vi kan ikke bare la teknologien styre dette her. Vi som leger må gå inn å rett og slett være mer på algorit utviklingen. Hva er det som er bra datasett og hva er det som ikke er det. det har vi drevet med før også, innenfor forskning. Det er en viktig del dette med registerbaserte forskning. 

Silvija: Hjelp meg litt. Dette er jo ment som jeg syns er veldig viktig uten at jeg kan presist forklare hvorfor og hvordan. Vi teknologer vi tar data der det er enklest å få dem. Også ser vi etter enkle sammenhenger. Er det der dere kan..hvordan kan dere hjelpe oss med å lage bedre med.takløsninger. Altså burde vi gjennom ikke bare hvordan data blir samlet i dag, men hvordan burden samles f.eks. 

Ishita: Helt riktig. Det er der jeg mener at leger vil sitte på en veldig synd kilde med kunnskap. At de kan utfordre teknologien på nettopp det. hva er det som på en måte er avvik. Hvilken funn er det som er relevante og hva er det som ikke er relevante. Det sies seg helt selv at dette er jo det legene innenfor medisine hvertfall. utenfor helse vil spesialister på. Selv om de ikke forstår selve algoritme utviklingen på basalt nivå, så vil de ha mer enn nok grunnlag til å forstå hvilket datagrunnlag som er det beste. Så det er der jeg tenker at man må få et samarbeid mellom ulike disipliner. Også litt sånn generelle opplysninger av legene, at nå har jeg hørt at de ser på muligheter for å utvide med.studie NTNU f.eks. Hvor de skal lage et studie hvor man får inn mer helseinformatikk. Det er jo en økning på 1 år da etter 6 år på med.studie og så blir det 7 årig. Det er nettopp for å imøtekomme disse problemstillingene i fremtiden fordi man har anerkjent at dette i fremtiden vil få mer og mer plass. AI innenfor medisin. 

Silvija: Veldig veldig kult. Du nevner også at det er mange fordeler med å bruke AI både innenfor medisin og andre områder, men det er etiske dilemmaer. Hva mener du er de mest relevante dilemmaer?

Ishita: Jeg mener at når du kommer til AI og kunstig intelligens så..det er jo veldig harpet ord. Man har kanskje fra helsevesenet litt sånn berøringsangst fordi man ikke helt forstår det. jeg tror at det med hvilket datagrunnlag algoritme er basert på er kjempeviktig. Sånn at hvis du har utgangspunktet dårlig datagrunnlag og det er..hvis ikke legene får være med å .. på en måte være med på utviklingen av det så vil du se ..da mener jeg at du ikke har ekspertise på plass til å kunne si om dette er et godt sett eller ikke. Så du får ikke øvd deg på det som er gode datasett. ja, så jeg tror at du ville risikere når du på en måte ikke involverer de som er spesialister på det. at du rett og slett velger et feil utgangspunkt for nettopp den læringen. Og da vil du se mer BAS, du ser mer skjev, altså skeive datasett. Det er gjort undersøkelser f.eks publisert i nature for noen år siden. Å man så på det at hvis man hadde..man hadde kjønn, det var veldig viktig for hvilket funn man gjorde i disse undersøkelsene. Sånn hvis du hadde flere mannlige forskere så påvirket det data funnene og de forskningsfunnene du fant. Mens mer balansert kjønnsperspektiv så fikk du mer kjønnsbalanserte funn. Så vi tar med oss noe av den BASen i oss selv og når vi overføre det til datasett så får du ikke noe bedre datasett enn du selv kommer med. 

Silvija: Ja, altså når verden er farget på forhånd så er det vanskelig på en måte slippe de kontrastene man har der. Det er noe med å vite at det er en årsakssammenheng med de også. 

Ishita: Helt riktig. du ser også en skjevhet i forskning med tanke på forskning på kvinnesykdommer og mannesykdommer hvis man skal kalle det da. At det er mer forskning på sykdommer som typisk angår menn. Det er flere menn i forskningsstudier også. 

Silvija: Hvorfor det? Er det rett og slett flere mannlige leger som forsker og de syns det er mer interessant eller? 

Ishita: Tror det er flere grunner til det. Det er på en måte..si hva som er den direkte (?) det er vanskelig, men man i hvert fall vet er at det er oss opp nivå og professor nivå også. så er det jo flere vanlige forskere. så vi får se om 15-20 år om det er en utvikling som fortsetter, for nå har vi flere kvinner på banen i forsknings, ja. Deltakelsen. 

Silvija: Hvordan kan en lege som allerede er en lege begynne å lære seg ting om bøter her? Altså en ting er hvis man er heldig nok til å være student nå og er et sted med å være god bioinformatikk. Hva gjør alle de andre? 

Ishita: Jeg tror at generelt så, som jeg nevnte i innledningen at jeg tror på en måte at AI er veldig hypet og jeg tror at det er veldig mange gode kilder for å lære seg basal AI eller kunstig intelligens. 

Silvija: Særlig på bruksnivå. 

Ishita: Helt riktig. Og det er masse gratis programmer på nett til å bare lære seg forstå helt enkle sammenhenger. Så tror jeg det er litt med nysgjerrighet å gjøre også. At man er litt søkende, i hvertfall så var det slik det startet for min del. For i det forskningsprosjektet så var den fordel at jeg kunne også si noe fornuftig om AI eller forstå sammenhengen. Så jeg tror at det er..så tror det er litt sånn som internett i starten så var det tenkt at det var en teknologi elite som skulle bare bruke det og de som hadde datateknisk bakgrunn. Så ser man at i dag brukes av hele verden. Sånn at det er til dels AI kommer til å bli, jeg tror ikke det kommer til bli begrenset til bare en viss elite som forstår det på en veldig grunnleggende nivå. Så jeg tror for innenfor alle bransjer egentlig er nødt til å ta den kompetanse endringen. 

Silvija: Du har anbefalt et par bøker, skal du si hva det er ? Som du syns var relevante 

Ishita: Ja for AI innenfor medisin så syns jeg at boken til Erik Toppel med deep medisin er ganske fin. Det er en bok som setter legene i sentrum med AI som verktøy i hånden. hvis man kan si det sånn. Og han ser litt på hvordan AI kan brukes som et verktøy og det er veldig mange som tenker at AI skal revolusjonere helsevesenet og fikse alle problemer. Jeg tror ikke slik det fungerer. Jeg tror ikke at det alle leger blir erstattet, men tror mange av de verktøyene vi har i dag blir forbedret med AI. Det er det han tar for seg. Han har veldig godt grep om hvordan medisin fungerer i dag, og om veien videre og hva det kan bli bedre på med AI blant annet. Det er en fin bok spesielt for leger. 

Silvija: Har du et lite sitat som du har lyst til å legge inn i våre lyttere? 

Ishita: Ja! Det er jo om AI da. artificial intelligence is the science of making machines, do things that will received intelligence if done with a man. Det er av Marvin Minsky som er en nestor innenfor AI. Syns det er veldig fint fordi det forklarer litt at AI er AI, men syns begrepet kunstig intelligens nesten er litt kunstig for at er jo egentlig menneske intelligens som ligger bak. 

Silvija: Jeg er veldig fasinert. Har akkurat lest en bok som heter. Deep learning revolution og den er skrevet av den andre sektoren som er blitt minsky av veldig representant for ekspertsystemer og maskinlæring. Og den delen av kunstig intelligens som baserer seg på tankesett at det å lære om verden er logikk. Bygge sammen posisjoner, logiske posisjoner. Så er det disse andre folkene som mener at det er statistikk. Det er to forskjellig måter å forstå verden på. Det er veldig interessant å se hvordan de egentlig begge to har rett, men på hvor forskjellig de mener. Og egentlig innenfor medisin så har de 6 partisystemene av Marvin Minsky, virkelig revolusjonert. Også er det veldig interessant overgang og. Å se: ok, hva skjer nå deep læring. Når det kommer inn. Hvis du skal velge en ting som folk huske av vår samtale, hva ønsker du at det skal være? 

Ishita: Det er at jeg syns at folk burde senke skuldrene litt når det kommer til kunstig intelligens og hva de forstår med begrepet. Det er ikke så vanskelig som det kan høres ut som. Det høres veldig innviklet ut. Så jeg mener at folk egentlig burde ta til seg litt mot og lese om det med enkelt googlesøk eller bare rett og slett være litt nysgjerrig. Så tror jeg de fort finner ut at dette er noe de mestrer og vil skjønne mer av. 

Silvija: Det jeg hører du sier er at det er et verktøy som alle inkludert leger burde ta til seg, så er det ikke på noe vis uoverkommelig komplisert. Og man skal lære å bruke verktøy ikke nødvendigvis bygge nye verktøy. 

Ishita: Helt riktig. Altså å Finnene er kjempe flinke på dette her. De var det første landet i EU som hadde nasjonal AI strategi, de har vært ganske flinke med det å satse på det. Men de er ikke så opptatte av å bygge AI, de er opptatt av bruken av AI. Sånn at når de da alanerne universitetet i Finland lanserer gratis fremfor enkel AI forståelse. Sånn helt grunnleggende nivå for alle. Uten teknisk bakgrunn. Så er det veldig sterkt signal fra myndighetene om at de ønsker at man skal få litt kompetanse innenfor AI på generelt plan. 

Silvija: Veldig spennende. Ishita Barua som er altså stipendiat ved universitetet i Oslo innenfor kommunikasjons fag - medisin og kunstig intelligens. Tusen takk for at du var her hos oss i Lørn og inspirerte oss til å lære mer om både AI og medisin. 

Ishita: Takk for at jeg fikk komme. 

Silvija: Takk for dere som lytter.