Computere kan finde den bedste behandling af blodpropper

13 millioner mennesker. Det er lidt flere, end der er indbyggere i Belgien, og det er også antallet af mennesker i verden, der hvert år rammes af en blodprop i hjernen.

I Danmark sker det for 10.600 hvert år.

Blodpropper i hjernen er sammen med de cirka to millioner årlige tilfælde af hjerneblødninger (heraf 2.000 i Danmark) den tredje hyppigste dødsårsag i Vesten og årsag til flest handicaps blandt voksne.

Når en person rammes af en blodprop i hjernen, er det meget vigtigt, at lægerne sætter ind med den rette behandling så tidligt som muligt, da hjernevævet hurtigt bliver påvirket af den manglende blodtilførsel.

At vælge den rette behandling kan dog være en stor udfordring, da der er meget information at tage højde for, og fordi blodpropper udvikler sig meget individuelt.

Lægerne bruger deres erfaring fra tidligere patienter og kigger på specifik information ved den aktuelle patient, når de skal vælge behandlingsform.

Billedanalyse i hjernen og på vejen

Ét af de vigtigste redskaber for diagnosticering og beslutning om behandling er skanningsbilleder optaget på indlæggelsestidspunktet. Når patienten bliver skannet, laves en række beregninger af, hvor meget blod, der er i blodkarrene og årene i hjernen, og hvor hurtigt det løber. Dette bliver til billeder, der viser forskellige egenskaber i patientens hjerne.

Ved at betragte skanningsbillederne kan udviklingen af blodproppen ses som en billedanalytisk opgave. Og her kan lægerne bruge den samme teknologi, der er i brug ved selvkørende biler.

I et billedanalytisk perspektiv er der nemlig ikke den store forskel på at kunne skelne mellem en lastbil og en motorcykel sammenlignet med at kunne se hvilke dele af hjernen, der er raske og upåvirkede af blodproppen og hvilke dele, der er beskadigede og i fare for at dø.

Dermed kan den teknologi, der oprindeligt blev udviklet til selvkørende biler, også anvendes til at analysere skanningsbilleder.

\ Læs mere

Selvkørende bus bliver testet i Danmark

Sådan fungerer det neurale foldningsnetværk

En billedanalytisk opgave løses ofte ved at bruge en computeralgoritme, der består af en række lag med forskellige egenskaber, der lægges i forlængelse af hinanden. Denne computeralgoritme kaldes et neuralt foldningsnetværk.

Ét slags lag kan genkende forskellige strukturer (for eksempel hjørner, grønne områder eller hjul) på billedet, mens et andet sørger for, at netværket leder efter disse strukturer i hele billedet.

Ved at kigge på hvilke strukturer de enkelte lag i netværket leder efter, kan det observeres, at de første lag leder efter simple strukturer (kanter, hjørner og lignende), mens de senere lag leder efter mere komplicerede strukturer (hele biler, cykler og vejskilte). Se hvad der sker i netværket i denne video (på engelsk).

Figuren ovenfor viser et eksempel på et neuralt foldningsnetværk, der er trænet til at skelne mellem forskellige bilmodeller. De første lag leder efter helt simple strukturer mens de sidste lag finder komplicerede strukturer.

Det neurale foldningsnetværk trænes ved at få vist en masse eksempler og så bruge dem til at finde gennemgående stukturer (som kanter, hjørner og øjne). Først opsættes netværket på en computer og derefter får det vist en masse billeder som bruges til træning.

Træningsprocessen foregår ved, at netværket analyserer et billede, gætter på, hvad det betyder, og justerer sig selv, når gættet er forkert. Dette gentages til netværket giver et tilfredsstillende resultat.

Netværket får på intet tidspunkt fortalt af et menneske, hvilke strukturer det skal lede efter, men finder automatisk de strukturer, der er vigtige for at kunne gætte rigtigt.

Videoen ovenfor viser et eksempel på en træning af et netværk, der skal finde den endelige læsion efter en blodprop i hjernen. I videoen viser billederne nederst udviklingen af blodproppen. De blå områder er baggrund uden for hjernen, det grønne er raske dele af hjernen og det røde er væv, der ender med at være beskadiget.

Disse billeder er lavet på baggrund af skanninger af patienter en måned efter, blodproppen ramte dem. De to øverste rækker viser netværkets gæt. Den øverste række er sandsynligheden for, at vævet er rask, og den midterste viser sandsynligheden for, at vævet er beskadiget.

Det var videoen. Hvad så med figuren nedenfor? Jo den viser et eksempel på resultatet fra det færdige netværk.

De små billeder til venstre er fra en skanning foretaget på indlæggelsestidspunktet og billederne til højre er taget efter en måned. Den røde kontur viser det område af hjernen, der endte med at være beskadiget efter blodproppen. De midterste billeder viser neutrale foldningsnetværks forudsagte sandsynlighed for, at vævet vil være beskadiget efter en måned.

Der er benyttet to forskellige netværk:

• Et er trænet med patienter, der har modtaget behandling I, og et er trænet med patienter, der har modtaget behandling II.

Blå viser en lav sandsynlighed for, at vævet er beskadiget efter en måned, mens rød er udtryk for en høj sandsynlighed. Begge patienter har modtaget behandling I.

Jo flere billeder, desto bedre bliver netværket

Netværkets træningsproces svarer til et barn, der lærer at skelne mellem hunde og katte ved at se eksempler på begge dele og få fortalt, hvad eksemplerne forestiller.

Præcist som barnet på et tidspunkt selv bliver i stand til at sige ’det er en hund’, når det ser naboens nye gravhund, vil netværket selv blive i stand til at skelne mellem cyklister og biler eller bestemme hvilke dele af hjernen, der vil få mén af blodproppen og hvilke dele, der kan reddes ved behandling.

Neurale foldningsnetværk har udviklet sig meget gennem det seneste årti og er i løbet af de seneste år blevet bedre end mennesker i den såkaldte ImageNet Challenge, hvor billeder i 1.000 forskellige kategorier skal skelnes fra hinanden (er du bedre end Google til at genkende billeder? Prøv her).

Netværket er meget godt til at forstå noget, hvis den har set noget lignende tidligere. Hvis netværket ikke har set lignende tilfælde før, vil det komme med et bud, og dette bud vil højst sandsynligt være dårligt. Her er en demonstration af et foldningsnetværk, der er rigtig godt til at genkende veje, biler, fodgængere og lygtepæle.

Da netværket ovenfor er trænet på billeder fra et bymiljø om sommeren, bliver det selvfølgelig forvirret over at se marker med sne på. Derfor er det vigtigt at sørge for, at netværket får så mange forskellige (relevante) billeder som muligt, mens det trænes.

Som en læge, der kan huske alt

En stor fordel ved neurale foldningsnetværk er, at de kan huske alle de essentielle egenskaber fra tidligere billeder. Ved blodpropper i hjernen svarer det til en læge, der kan huske udviklingen af alle de tidligere patienter, hun og hendes kollegaer har haft. Alle disse oplysninger er indlejret i netværket og kan bruges, når det er nødvendigt.

Hvis de neurale foldningsnetværk trænes godt og bruges med omtanke, kan de hjælpe os med mange problemer, fra selvkørende biler, og læsning af vejskilte i fremmede lande, til individuel behandling af patienter på hospitaler og i hjemmet.

Det er stadig meget nyt at anvende neurale foldningsnetværk, især i helbredssektoren, men der gøres store fremskridt og arbejdes hårdt for at få noget, der kan testes og bruges af læger i dagligdagen.

Neurale foldningsnetværk har potentiale til at blive en stor hjælp for læger, når de skal vælge den bedste behandling til deres patienter, og dermed vil blodproppatienterne få færre mén. Det vil være til stor gavn og glæde for dem og deres familier naturligvis, men også for hele samfundet.