1
Examensarbete inom informationsteknologi Grundnivå 30 högskolepoäng
Vårtermin 2020 Emelie Klingvall
Handledare: Jesper Holgersson Examinator: Joeri van Laere
Artificiell intelligens som ett beslutsstöd inom mammografi
En kvalitativ studie om radiologers perspektiv på icke-tekniska utmaningar
Artificial intelligence as a
decision support in mammography
A qualitative study about radiologists
perspectives on non-technical challenges
Sammanfattning
Artificiell intelligence (AI) har blivit vanligare att använda för att stödja människor i deras beslutsfattande. Maskininlärning (ML) är ett delområde inom AI som har börjat användas mer inom hälso-och sjukvården. Patientdata ökar inom vården och ett AI-system kan behandla denna ökade datamängd, vilket vidare kan utveckla ett beslutsstöd som hjälper läkarna. AI-tekniken blir vanligare att använda inom radiologin och specifikt inom mammografin som ett beslutsstöd. Användning av AI-teknik inom mammografin medför fördelar men det finns även utmaningar som inte har något med tekniken att göra.
Icke-tekniska utmaningar är viktiga att se över för att generera en lyckad praxis. Studiens syfte var därför att undersöka icke-tekniska utmaningar vid användning av AI som ett beslutsstöd inom mammografi ur ett radiologiskt perspektiv. Radiologer med erfarenhet av mammografi intervjuades i syfte att öka kunskapen kring deras syn på användningen.
Resultatet från studien identifierade och utvecklade de icke-tekniska utmaningarna utifrån temana: ansvar, mänskliga förmågor, acceptans, utbildning/kunskap och samarbete. Resultatet indikerade även på att inom dessa teman finns icke-tekniska utmaningar med tillhörande aspekter som är mer framträdande än andra. Studien ökar kunskaperna kring radiologers syn på användningen och bidrar till framtida forskning för samtliga berörda aktörer. Forskning kan ta hänsyn till dessa icke-tekniska utmaningar redan innan tekniken är implementerad i syfte att minska risken för komplikationer.
Nyckelord: Artificiell intelligens (AI), Maskininlärning (ML), Beslutsstöd, Mammografi, Icke-tekniska utmaningar.
Abstract
Artificial intelligence (AI) has become more commonly used to support people when making decisions. Machine learning (ML) is a sub-area of AI that has become more frequently used in health care. Patient data is increasing in healthcare and an AI system can help to process this increased amount of data, which further can develop a decision support that can help doctors. AI technology is becoming more common to use in radiology and specifically in mammography, as a decision support. The usage of AI technology in mammography has many benefits, but there are also challenges that are not connected to technology.
Non-technical challenges are important to consider and review in order to generate a successful practice. The purpose of this thesis is therefore to review non-technical challenges when using AI as a decision support in mammography from a radiological perspective. Radiologists with experience in mammography were interviewed in order to increase knowledge about their views on the usage.
The results identified and developed the non-technical challenges based on themes:
responsibility, human abilities, acceptance, education/knowledge and collaboration. The study also found indications within these themes that there are non-technical challenges with associated aspects that are more prominent than others. This study emphasizes and increases the knowledge of radiologists views on the usage of AI and contributes to future research for all the actors involved. Future research can address these non-technical challenges even before the technology is implemented to reduce the risk of complications.
Keywords: Artificial intelligence (AI), Machine Learning (ML), Decision support, Mammography, Non-technical challenges.
Förord
Först och främst vill jag rikta ett stort tack till alla medverkande respondenter som tog sig tid att ställa upp och som berikat studien med sin kunskap. Jag vill även tacka min handledare Jesper Holgersson som bidragit med råd och tips under arbetets gång.
Slutligen vill jag även tacka familj och vänner för ert stöd och uppmuntran.
Centrala Begrepp
Artificiell intelligens (AI) I denna studie definieras begreppet Artificiell intelligens enligt Deng & Jiang (2018): Ett system tänker och agerar som en människa.
Artificiella neurala nätverk (ANN) Känt verktyg inom AI där program lär sig hur ett problem ska lösas genom att det tränas upp (Ahlén & Bravo, 2017).
Beslutsstöd I denna studie definieras begreppet att AI används för att effektivisera och förbättra mänskliga beslut (Giger, 2018).
Computer-aided design (CAD) En metod för datoriserad analys för mammografibilder vid screening (SBU, 2011).
Djupinlärning (DL) Underkategori av maskininlärning som innebär att datorer lär sig av komplex inmatad data och letar mönster (Giger, 2018).
Icke-tekniska utmaningar Innebär i denna studie de utmaningar som finns utöver tekniska utmaningar i samband med en implementation av AI. Alltså utmaningar som inte berör tekniken i sig utan exempelvis acceptansen kring ett införande av AI.
Mammografi En röntgenundersökning som utförs för brösten (1177 Vårdguiden, 2018).
Maskininlärning (ML) Delområde från AI. Självlärande algoritmer utför en uppgift flera gånger och blir bättre på att utföra uppgifter baserad på hämtad data (Ahlén & Bravo, 2017).
Prediktiv analys Innebär att titta på vad som ska hända/uppskatta framtida händelse/resultat från stora datamängder (Larose & Larose, 2015; Yelick, Pryce, Zhang & Kreig, 2018). Tillsammans med ML kan prediktiv analys göra mänskligt beslutsfattande bättre (Yelick, et al., 2018) Radiologi Inriktning inom medicin där medicinska bilder används
för diagnos, upptäckt och karaktärisering av en sjukdom (Mazurowski, Buda, Saha & Bashir, 2018).
Innehållsförteckning
1 INLEDNING 1
2 BAKGRUNDSKAPITEL 2
2.1 Artificiell intelligens 2
2.1.1 Maskininlärning 3
2.1.2 AI som beslutsstöd 4
2.2 AI som beslutsstöd inom hälso- och sjukvård 7
2.2.1 Radiologi 8
2.3 Mammografi 9
2.3.1 Maskininlärning inom mammografi 9
2.3.2 Beslutsstöd för mammografi 10
2.3.3 Fördelar med AI 11
2.3.4 Utmaningar med AI 13
2.4 Sammanfattning av bakgrund 15
3 PROBLEMBAKGRUND 16
3.1 Problemformulering 17
3.2 Syfte och frågeställning 17
3.3 Avgränsningar 18
3.4 Förväntat resultat och framtida förväntningar 18
4 METOD OCH GENOMFÖRANDE 19
4.1 Val av forskningsmetod 19
4.1.1 Metodansats 19
4.2 Arbetsprocess 20
4.2.1 Datainsamling: intervjuer 20
4.2.2 Dataanalys 25
4.3 Etiska aspekter 27
5 MATERIALPRESENTATION OCH ANALYS 28
5.1 Ansvar 28
5.1.1 Juridiska aspekten 28
5.1.2 Etiska aspekten 31
5.2 Mänskliga förmågor 34
5.2.1 Radiologens förmågor 34
5.2.2 Erfarenhet 36
5.3 Utbildning/kunskap 38
5.3.1 Vetenskapliga bevis 38
5.3.2 Behov av utbildning 40
5.4 Acceptans 42
5.4.1 Berörda aktörer 43
5.4.2 Klargöra aspekter 44
5.5 Samarbete 46
5.5.1 Samarbete mellan aktörer 47
5.5.2 Finansiella aspekten 47
5.5.3 Riktlinjer och lag 48
6 RESULTAT 49
7 DISKUSSION 52
7.1 Resultatdiskussion 52
7.2 Metoddiskussion 53
7.3 Vetenskapliga, samhälleliga och etiska aspekter 55
7.3.1 Vetenskapliga aspekter 55
7.3.2 Samhälleliga aspekter 56
7.3.3 Etiska aspekter 57
7.4 Forskningsetiska aspekterna 58
7.5 Framtida forskning 59
REFERENSER 60
BILAGOR 66
Figurförteckning
Figur 1: Maskininlärning förklaring, baserad på Pesapane, Codari & Sardanelli (2018a). 3
Figur 2: Förklaring analyser, baserad på Watson (2015). ... 5
Figur 3: Big data + ML + Prediktiv analys, baserad på Yelick et al. (2018). ... 5
Figur 4: Process: AI som beslutsstöd inom cancervård, baserad på SKL (2017). ... 7
Figur 5: Bakgrundssammanfattning. ... 15
Figur 6: Arbetsprocess. ... 20
Figur 7: Övergripande intervjuprocess ... 21
Figur 8: Steg intervjuanalys, baserad på Green et al. (2007) ... 25
Figur 9: Exempel på dataanalys, baserad på Green et al. (2007). ... 25
Figur 10: Resultat ... 49
Tabellförteckning
Tabell 1: Fördelar med AI inom mammografi. ... 11Tabell 2: Utmaningar med AI inom mammografi. ... 13
Tabell 3: Respondenter information. ... 22
Tabell 4: Förbättring av intervjuguide ... 23
Tabell 5: Ansvar. ... 28
Tabell 6: Mänskliga förmågor. ... 34
Tabell 7: Utbildning/kunskap... 38
Tabell 8: Acceptans ... 42
Tabell 9: Samarbete ... 46
1
1 Inledning
Inom både privata och offentliga sektorer har intresset av att implementera Artificiell intelligens (AI) ökat. AI innebär att ett system kan tänka och agera, antingen likadant eller till och med förlänga mänsklig intelligens (Deng & Jiang, 2018). Fördelen med AI är att aktörer kan effektivisera deras processer och nyttja stora mängder data i de områden som behövs. Ett ändamål som ger dessa fördelar är att använda AI som stöd vid beslutsfattande (Giger, 2018), det vill säga ge stöd och rekommendationer i de underlag som finns men inte ta det slutgiltiga beslutet.
En aktör som fattat ett intresse för implementation av AI är hälso- och sjukvården. AI har börjat användas som stöd vid diagnoser kring en patients behandling (SKL, 2017). Ett område där AI har gjort framsteg är inom radiologi där mammografi ingår (Socialstyrelsen, 2019). Mammografi är en röntgenundersökning som kan användas vid screening med syftet att upptäcka cancer i brösten. Kvinnor mellan 40 år och 74 år erbjuds i jämna mellanrum att göra denna bröstkontroll (1177 Vårdguiden, 2018).
Tidigare forskning inom mammografi har undersökt hur AI-tekniken maskininlärning bäst kan implementeras för snabbare och lättare upptäckt av bröstcancer. En fördel med att implementera AI inom mammografi är att det kan användas som ett stöd vid beslut och stärka mänsklig funktion istället för att ersätta det. Enligt Carter et al. (2020) finns det vid användning av AI inom bröstcancervården utmaningar som inte enbart är tekniska. I denna studie kategoriserades icke-tekniska utmaningar utifrån ansvar, mänskliga förmågor, acceptans och utbildning/kunskap. Vad samhället och kliniker har för attityd gentemot AI är inte helt klart (Carter et al., 2020) och enligt Le, Wang, Huang, Hickman & Gilbert (2019) finns det behov av mer samarbete, exempelvis mellan radiologer och datavetare för att säkerställa att hälso- och sjukvården anammar AI- tekniken säkert och effektivt.
Tidigare forskning visar brist på studier där radiologers åsikt framhävs gällande icke- tekniska utmaningar vid AI inom mammografi. Denna studie bidrar till forskning genom att kartlägga en ny målgrupp och öka kunskapen kring ett radiologiskt perspektiv gällande icke-tekniska utmaningar. Frågeställningen som ska besvaras är:
”Vilka icke-tekniska utmaningar finns det med att använda AI som beslutsstöd inom mammografi ur ett radioligistiskt perspektiv?”
En kvalitativ forskningsmetod med en abduktiv ansats har använts för att besvara frågeställningen. Semistrukturerade intervjuer applicerades i syfte att ta reda på radiologers syn på icke-tekniska utmaningar med AI som beslutsstöd inom mammografi.
2
2 Bakgrundskapitel
Följande kapitel ger en beskrivning av information från tidigare litteratur som är relevant för denna studie. Begreppet AI kommer att förklaras rent generellt med fokus mot AI som stöd vid beslutsfattande. AI inom vårdkontexten förklaras i samband med radiologi för att sedan beskriva mammografi och AI. Detta i syfte att skapa en större förståelse kring det aktuella problemområdet och frågeställning i denna studie.
2.1 Artificiell intelligens
Begreppet artificiell intelligens (AI) går tillbaka till 1950 då Alan Turing publicerade
”Computing Machinery and Intelligence” och frågade ”Kan maskiner tänka?”. Alan Turing skapade Turing testet som innebar att en person interagerar med en maskin och antingen är det maskinen eller en annan person som interagerar tillbaka. Om den första personen inte kan bedöma om hen pratar med en person eller maskin har testet lyckats, en maskin kan tänka (Kumar, 2017). Datavetaren John McCarthy införde sedan begreppet artificiell intelligens år 1956 (Manyika et al., 2017; Vinnova, 2018). Under åren har många studier bidragit till den utveckling som förekommer inom AI idag (Kumar, 2017).
Grunden i AI är att mänskligt tänkande som används vid informationsbehandling och beslutsfattande kan automatiseras genom användning av verktyg och digitala teknologier (Vinnova, 2018). Begreppet AI definieras enligt Vinnova (2018) att intelligent mänskligt beteende efterliknas av en maskin, vilket innebär att specifika uppgifter som ska utföras kan en maskin utföra istället. Även Deng och Jiang (2018) beskriver AI som ett system som ska tänka och agera enligt mänskligt beteende och har möjlighet att förlänga mänsklig intelligens:
”Artificial Intelligence is to design a machine system to think and act like human beings. It is realized on machine to artificially simulate and extend human intelligence, aiming at thinking and acting like human beings.” (Deng & Jiang 2018, s. 111).
Intresset för AI har ökat de senaste åren hos olika aktörer inom näringslivet i både privat och offentlig sektor. Ahlén och Bravo (2017) framhäver ett så kallat ”AI everywhere” i och med antagandet att AI i framtiden kan komma att användas i övervägande alla digitala produkter och tjänster. Nedan exemplifieras olika användningsområden av AI samt vilka fördelar aktörer får genom att använda AI-teknik:
Bankväsendet: I Sverige hade AI inte satt sin prägel inom bankerna för ett par år sedan, men idag skapas AI-satsningar i många av de stora svenska bankerna. Nordea är en av Europas största banker och enligt Nordea är AI-tekniken viktig. Nordea använder AI- teknik för att strukturera data och sedan analysera den, vilket skapar ett värde i form av att anpassningar utefter kunden blir enklare att göra (Lindsjö, Lönn, Uppström &
Hagberg, 2018).
Försäkringsbranschen: Genom att använda insamlad information om en kund kan AI- systemet räkna ut riskbenägenhet och placering av avkastning som passar den specifika
3
kunden (SKL, 2017). SKL (2017) belyser fördelarna med att implementera AI-teknik i försäkringsbranschen: bättre kundanpassning, mindre risk för fel och minskade kostnader.
Kommuner: Det finns kommuner i Sverige som använder AI inom hemtjänsten i form av en handläggarrobot som utför bedömningar och fattar beslut utifrån kommunens skrivna riktlinjer. Fördelen med detta är att invånare i kommunen får snabbare service och handläggare kan effektivisera sin tid mer vid användning av handläggarroboten (SKL, 2017).
2.1.1 Maskininlärning
Maskininlärning är centralt i denna studie. Tekniken beskrivs kort i syfte att förstå AI- aspekten i resterande kapitel.
Det finns olika tekniker som kan ge AI och som kan implementeras inom olika branscher för olika syften. Enligt Deng och Jiang (2018) är AI ett av de största tvärvetenskapliga områdena inom vetenskap- och teknikområdet och det finns flera delområden att dela upp AI i vilket möjliggör för AI att lättare utvecklas. Enligt Deng och Jiang (2018) bryts AI ner i följande delområden: maskininlärning, naturlig språkbehandling, datasyn, kunskap och resonemang, spelteori och etik samt robotik.
Figur 1 nedan illustrerar hur AI tillsammans med maskininlärning (ML), djupinlärning (DL) och artificiell neurala nätverk (ANN) hänger ihop.
Figur 1: Maskininlärning förklaring, baserad på Pesapane, Codari & Sardanelli (2018a).
Artificiell intelligens: Uppsättning algoritmer utför uppgifter som efterliknar intelligent mänskligt beteende (Mazurowski et al., 2018).
Maskininlärning: Som nämnt ovan bryts AI upp i 6 delområden varav ML utgör ett av sex delområden inom AI (Deng & Jiang, 2018). ML innebär att självlärande algoritmer används på ett problem inom ett område och datorn lär sig från erfarenhet från hämtad data. En uppgift utförs fler gånger och de utfall som är bäst upprepas flera gånger (Ahlén
& Bravo, 2017). SKL (2017) nämner ett exempel där ML användes i en dator och vann
4
över mästaren i Jeopardy (kunskapsspel) på ett per sekunder. Med ML hade datorn lärt sig de bästa utfallen.
Djupinlärning: Den mest lovande underkategorin från ML anses vara DL (Pesapane, Codari & Sardanelli, 2018a). Datorn utvecklar algoritmer själv för att på en högre nivå lära sig utföra uppgifter (Ahlén & Bravo, 2017). Ett exempel är att DL-algoritmer kan användas för att lokalisera och klassificera objekt i bilder. Utifrån en bild kan DL markera vad som exempelvis är en människa, vad som är en bok eller vad som är en dator i en bild (Mazurowski et al., 2018).
Artificiella neurala nätverk: Artificiella neurala nätverk (ANN) är en metod som används inom DL (Pesapane, Codari & Sardanelli, 2018a). Med ANN kan komplicerade beräkningar och implementationer utföras från inmatad data (Mazurowski et al., 2018).
Denna metod används inom bildklassificering, exempelvis kan ANN användas i bildstyrd strålterapi och upptäcka positionen för en tumör vilket kan förbättra behandling av cancern (Jiang, Trundle & Ren, 2010).
2.1.2 AI som beslutsstöd
Olika aktörer i näringslivet använder AI för att effektivisera olika saker, se kap 2.1. Ett användningsområde är att AI kan användas som stöd vid beslut. Enligt Giger (2018) kan beslut som tas av människor effektiviseras genom att använda AI som stöd vid beslutsfattande. Teknik som hjälper till vid beslutsprocesser blir allt vanligare. Prediktiv analys, big data och maskininlärning är viktiga begrepp att veta om i samband med att data nyttjas vid beslutsfattande (Yelick et al., 2018).
Business Intelligence (BI) definieras enligt Watson (2014) som ett tillvägagångssätt att samla, lagra och analysera data med olika teknologier och applikationer. Detta i syfte att ta beslut baserat på data som tagits fram i organisation (Watson, 2014; Österberg, 2018).
Definitionen BI är en så kallad paraplyterm för att stödja beslutsfattande och från BI har begreppet ”analys” utvecklats (Watson, 2014). Analyser blir alltmer vanligt inom organisationer vilket kan kopplas till BI, vilket vidare kan kopplas till deskriptiv, prediktiv och preskriptiv analys. Med analys hjälper det anställda att ta bättre beslut inom organisationen (Watson, 2015). Dessa tre olika analyser skiljs åt vid analys av stora datamängder i och med att en analys fungerar bättre än den andra beroende på syfte (Watson, 2014).
5
Figur 2: Förklaring analyser, baserad på Watson (2015).
Figur 2 beskriver hur de tre olika analyserna hänger ihop. Deskriptiv analys används först för att förstå data i det förflutna (Watson, 2015) vilket innebär att använda data i exempelvis dashboard eller i statistisk analys för att illustrera vad som har hänt eller vad som händer (Cao, 2018; Watson, 2015). Sedan ska framtiden förutsägas och data vidare utforskas med prediktiv analys (Watson, 2015) vilket innebär att förutsäga något som kan hända i framtiden, en uppskattning av en framtida händelse/resultat från stora datamängder (Larose & Larose, 2015; Yelick et al., 2018). Fördelen med att använda prediktiv analys är att beteendemönster och trender från data enklare kan definieras vilket är positivt för ett rationellt beslutsfattande i och med att det kan innebära beslut utan partiskhet (Yelick et al., 2018). Efter prediktiv analys används preskriptiv analys för att optimera utfallet (Watson, 2015) vilket innebär att titta på det som ska hända/vad ska göras med exempelvis kunskapsupptäckt (Cao, 2018; Watson, 2015).
Dashboards och statistiska verktyg är vanliga BI-verktyg inom deskriptiv analys (Watson, 2015). I takt med högre krav på dataanalys börjar traditionella BI-verktyg hamna efter på grund av att prediktiv analys, maskininlärning och big data skapar större förutsättningar för dataanalys (Danielsson, 2018). Figur 3 nedan illustrerar hur big data, maskininlärning och prediktiv analys hänger ihop som stöd vid beslutsfattande:
Figur 3: Big data + ML + Prediktiv analys, baserad på Yelick et al. (2018).
Big data: Under 2013 hade en kvintiljon byte skapats av företag och konsumenter dagligen över hela värden och fram till 2020 förutspåddes lagrad datamängd växa med 50% (Pascual, 2015). Det är viktigt att kunna nyttja denna stora mängd data och använda i beslutsfattande annars är information om den växande datamängden inte intressant enligt Pascual (2015). Mängder digital data växer – så kallat ”Big data” i både offentlig och privat sektor (Thrall et al., 2018). Big Data innebär att stora mängder detaljerad
6
information och dokumentation samlas in för att lagras och vidare skapa nytta i form av nya insikter. De nya insikterna kan vara värdefulla för aktörerna och användas i en process. Facebook är ett företag som använder ”Big Data” för att hitta annonser som passar en specifik användare baserat på vad denna användare har gillat (Pascual, 2015).
Maskininlärning: Big data kan vara komplext att utnyttja, dock vid användning av AI och ML kan värdet av big data enklare definieras (ICO, 2017). Ur informationen/data skapar maskininlärningsalgoritmer mönster. Stora datamängder kräver teknologi och ML är en teknik som är användbar vid big data (Aziz, Zaidouni & Bellafkih, 2018). Med ML kan nya insikter och ny kunskap definieras från data och en människa behöver inte vara med i processen (Yelick et al., 2018).
Prediktiv analys: Det har blivit vanligare för olika organisationer att använda prediktiva analyser, vilket tillsammans med ML möjliggör för organisationer att kunna undersöka data som är aktuell samt historisk. Med prediktiv analys är syftet att mänskligt beslutfattande ska bli bättre. Historisk data kan med användning av ML vara ett hjälpmedel när beslut ska tas och skapa nya förutsägelser om data (Yelick et al., 2018).
Prediktiv analys skapar förutsägelser och det är vanligt att använda AI, exempelvis maskininlärning som tillvägagångssätt (Cao, 2018; Watson, 2014). Relationer i big data kan återfinnas i prediktiv analys, ny data kan analyseras. Detta är viktigt för organisationer då de kan få en insikt i ny data (Watson, 2014).
7
2.2 AI som beslutsstöd inom hälso- och sjukvård
Patientdata ökar i samband med digitala journaler och vetenskaplig kunskap inom hälso- och sjukvården. AI, big data och parallell databehandling kan tillsammans bidra till personlig och kostnadseffektiv vård (Dilsizian & Siegel, 2014). Thrall et al. (2018) menar på att big data i form av bilder och rapporter digitalt skapar förutsättningar för att utveckla AI. För olika typer av behandlingar och sjukdomar anses ML kunna bli ett kraftfullt och generellt stöd (Ahlén och Bravo, 2017).
Dilsizian & Siegel (2014) nämner att den mänskliga hjärnan inte kan lagra och behandla all medicinsk kunskap. En läkare är begränsad till hur många patienter, studier och artiklar läkaren kan behandla under sin livsstid. Ett AI-system kan behandla stora mängder patientdata, artiklar och studier vilket är en stor fördel vid användning av AI som beslutsstöd för läkare (Ahlén & Bravo, 2017). AI vid beslutfattande kan enligt Haleem, Javaid & Khan (2019) vara den teknik som är mest effektiv för stöttning av medicinskt beslutfattande vid användning av tillgänglig data. Det kan öka effektivitet hos personalen samt resultat hos patienterna.
Vinnova (2018) understryker att ett samarbete mellan människa och system innebär att se till bådas styrkor vilket kan leda till förbättrad sjukvård. Beslutsstöd inom hälso- och sjukvården kan ge stöd vid diagnos och besluta om behandling som är lämplig. Från olika källor kan beslutsstödet hantera stora mängder data vilket skapar bredare och detaljerade underlag. Inom cancervården har ett sådant beslutsstöd applicerats (SKL, 2017).
Figur 4: Process: AI som beslutsstöd inom cancervård, baserad på SKL (2017).
Figur 4 ovan beskriver den process som systemet går igenom vid ett diagnosfattande inom cancervården. Nedan ges en beskrivning om de olika stegen:
1. Läkaren börjar med att skriva in patientens personnummer (SKL, 2017).
2. Programmet i datorn går sedan igenom väsentlig information som finns exempelvis aktuell forskning (SKL, 2017).
8
3. Baserat på informationen som finns kommer programmet med en diagnos, och om det saknas information ställer programmet relevanta frågor som läkaren sedan frågor patienten om (SKL, 2017).
3.1. Programmet jobbar parallellt för att analysera frågorna och hitta svar som rangordnas beroende på hur korrekt svar datorn tror att det är. Programmet blir mer kunnigt och precisionen bättre desto fler gånger den analyserar en fråga (SKL, 2017).
4. Sista steget i processen är att läkaren fattar det slutgiltiga beslutet om patients vård (SKL, 2017).
2.2.1 Radiologi
Haleem, Javaid & Khan (2019) belyser fördelar med att införa AI inom hälso- och sjukvården: övervaka avvikelse, förutsäga sjukdomar, noggrann diagnos, utbildning för läkarstudenter samt komfort för läkare. AI gör framsteg inom följande områden: medicin, kirurgi, medicinska journaler, kardiologi och radiologi. AI inom bildbehandling har utvecklats mest gällande tillämpningen, varav ett område är radiologi där mammografi ingår (Socialstyrelsen, 2019). Radiologi är en inriktning inom hälso- och sjukvården som innebär att medicinska bilder används för att upptäcka, diagnosticera och karaktärisera sjukdomar (Mazurowski et al., 2018). En radiolog tolkar exempelvis digitala röntgenbilder och ultraljud och använder de för att bistå sjukdomshantering hos patienter (Liew, 2018). En utmaning i uppgiften att tolka röntgenbilder är att särskilja avvikelser från en normal bakgrundanatomi. (Mazurowski et al., 2018).
Framstegen som gjorts kring AI-tekniken har ökat användningen av AI, speciellt i radiologiska avbildningsuppgifter. Avbildningsuppgifter är exempelvis upptäckt av cancer, diagnostisering och riskbedömning (Giger, 2018). AI-tekniken maskininlärning antas få en stor inverkan på avbildningsundersökningar och kommer att användas på rutin inom radiologi, vilket kan komma att förbättra beslutsstöd inom medicinsk bildtolkning (Giger, 2018). Miljontals röntgenbilder finns i digital form (”big data”) och är ett viktigt underlag för AI-forskning (Thrall et al., 2018). Vinnova (2018) belyser ett projekt som heter AIDA och som har som mål att skapa en bättre sjukvård genom att stödja forskning av AI och medicinsk bildanalys. Att använda AI kan hjälpa till att förbättra bildundersökningar, vid diagnosticering kan träffsäkerheten bli högre när stora mängder data analyseras. Enligt Socialstyrelsen (2019) har ML inom radiologi stor framgång varav ML används exempelvis för att identifiera förändringar samt att dessa förändringar kan klassificeras med ett förslag på diagnos. Socialstyrelsen (2019) nämner även att inom radiologi kan AI stöd användas för diagnos, beslutsstöd och sjukdomshistoria.
9
2.3 Mammografi
Följande delkapitel beskriver vad mammografi är och hur det kan användas som beslutsstöd, samt fördelar och utmaningar vid implementation av AI. Kapitlet går inte in på vilken teknik som appliceras bäst, dock ges en övergripande förklaring i syfte att förstå AI- aspekten mer.
Ett område inom radiologi är mammografi (Socialstyrelsen, 2019). Mammografi är en röntgenundersökning som kan används vid screening. Screening med mammografi är en bröstkontroll som alla kvinnor mellan 40 år och 74 år erbjuds göra med jämna mellanrum i syfte att hitta bröstcancer innan det visat några symptom (1177 Vårdguiden, 2018). Över hela världen används mammografi för screening av bröstcancer och anses vara ett effektivt tillvägagångssätt för att minska dödligheten för bröstcancer (Dustler et al., 2017). Enligt europiska och svenska riktlinjer finns det rekommendationer om att två specialistutbildade radiologer granskar röntgenbilderna (SBU, 2011). I Europa är det vanligt att två radiologer läser av mammografibilderna oberoende av varandras tolkningar (Sechopoulos & Mann, 2019). Att använda dubbelgranskning av bilderna är fortfarande i bruk i Europa och ökar sensitiviteten för screening med 5–15% i jämförelse med enkelgranskning (Watanabe et al., 2019).
Den vanligaste formen av cancer bland kvinnor globalt är bröstcancer och den andra ledande anledning till cancerdödlighet (Le et al., 2019). 23% av alla cancerfall är bröstcancer och 14% av cancerdödlighet hos kvinnor (Agnes, Anitha, Pandian & Peter, 2020). I Sverige dör ungefär 1500 kvinnor varje år på grund av bröstcancer och vid användning av AI kan kvinnors tumörer tidigare upptäckas och färre dö av bröstcancer (Vinnova, 2018). Le et al. (2019) belyser att det är viktigt att upptäcka bröstcancer i ett tidigt skede. Att upptäcka bröstcancer i ett tidigt skede ökar chansen för att patienten blir bättre av behandlingen och en ökad chans för överlevnad (Agnes et al., 2020). Det kan vara svårt att upptäcka bröstcancer på grund av tät bröstvävnad (Watanabe et al., 2019).
Den svåra upptäckten kan dels bero på mikroförkalkningar som är mindre än 1 mm och att täta bröststrukturer kan vara svårt att urskilja från lesioner med snarlika struktur och kontrast (Rashed & Seoud, 2019). Hur mammograms tolkas kan variera beroende på erfarenhet enligt Le et al. (2019) och kan orsaka fel exempelvis på grund utav maskeringseffekten med en tät bröstvävnad. Detta kan bidra till intervallcancer som innebär att cancern diagnostiseras mellan screeningtillfällen. Det finns ett behov av att utveckla verktyg och tekniker som förbättrar specificitet och sensitivitet under mammografitolkning (Watanabe et al., 2019). Rashed & Seoud (2019) belyser även att patientens överlevnad ökar om små skador upptäcks tidigt och därför finns det behov av smarta verktyg som kan ge expertliknande analyser av bilderna.
2.3.1 Maskininlärning inom mammografi
För datoriserad analys kan metoden Computer-aided detection (CAD) användas för mammografibilder vid screening (SBU, 2011). I USA används CAD i mer än 70% av screeningundersökningarna (Watanabe et al., 2019). För mammografiscreening
10
utvecklades CAD för att användas som ”andra granskare” med förväntan att öka sensitiviteten. CAD visar områden i brösten som ser avvikande ut och som kan uppfattas som bröstcancer (SBU, 2011). CAD-systemet är ett hjälpmedel för radiologer i syfte att diagnoser ska bli mer noggrannare och minska felaktiga diagnoser (Agnes et al., 2020).
Studier som gjorts kring CAD har hittills inte hittat några förbättringar kring screeningresultat på grund av låg specificitet hos traditionella CAD-system (Rodriguez- Ruiz et al., 2019). Fujita (2019) belyser att nästa generations CAD antas vara baserad på AI och använder djupinlärning för att lösa problemen i traditionella CAD. Watanabe et al.
(2019) utförde en studie med en datorstödd algoritm baserad på AI (AI-CAD) i syfte att avgöra om den kunde användas för att förbättra upptäckten för bröstcancer och radiologers sensitivitet under screening.
Patel, Shah, Thakkar, Shah & Shah (2020) nämner en metod som föreslagits som innebär att en maskininlärnings algoritmer diagnosticeras och förutsäger bröstcancer. Massat (2018) belyser vikten av att AI och ML kan göra CAD intelligentare genom användning av smarta algoritmer. Det kan skapa bättre klassificering och bättre upptäckt av skador. I tekniken Artificiella neurala nätverk (ANN) kan bilder och mänskliga observationer inmatas i systemet vilket innebär att systemet kommer att fortsätta lära sig och uppdateras med kunskap. Systemet kan då fortsätta likna den mänskliga hjärnan och dessutom glömmer systemet aldrig det den lärt sig (Fazal et al., 2018). Fazal et al. (2018) belyser även att med ett ANN-system kan patienters prognoser förutsägas med ökad noggrannhet med användning av information från tidigare fall som är liknande. Houssami et al. (2017) belyser att uppgiften att tolka bilder har AI potential till att göra med avancerad inlärning med användning av stora datauppsättningar. Att minska överdiagnos genom att klassificera cancerformer som kan förbises och klassificera livshotande cancerformer som behöver behandling är enligt Le et al. (2019) den heliga gralen för ett AI-CAD verktyg.
2.3.2 Beslutsstöd för mammografi
Carter et al. (2020) belyser att AI är under utveckling inom bröstcancervård exempelvis med tillämpning som kliniskt beslutsstöd. Vinnova (2018) beskriver ett projekt som heter
”AI för bröstcancerscreening” som ska ta fram ett beslutsstöd. Med tränad djupinlärning på en miljon mammografibilder och klinisk data så tas detta beslutsstöd fram. Enligt Carter et al. (2020) kan AI användas till att läsa de stora volymer av bilder som annars människor gör exempelvis digitala mammogram. Detta stärker mänsklig funktion istället för att ersätta det, exempelvis att AI adderas till existerande mänskliga läsare hellre än att läsaren ersätts och beslut från AI avslöjas efter att radiologen har fattat ett beslut.
Algoritmer i framtiden som kan förutsäga risk för cancer har potential att upplysa om kirurgiskt beslutsfattande (Le et al., 2019). Agnes et al. (2020) understryker att AI-teknik som testats kan fungera som ett hjälpmedel för radiologen i syfte att upptäcka cancer i brösten. Enligt Pesapane, Codari och Sardanelli (2018a) kan AI användas i beslutsfattande för radiologerna på en högre effektiv nivå. Maskiner kommer inte att ersätta radiologerna i och med att en radiologs arbete är mer än bara att tolka röntgenbilder, exempelvis är det
11
även kommunikation av diagnos, ta hänsyn till värderingar och preferenser hos patienten, utbildning och beslutsfattande. Ett datorprogram kan inte utföra dessa uppgifter ensam.
En övergång till djupinlärning istället för användning av ett regelbaserat CAD-system kan hjälpa till vid beslutsfattande, minska felaktiga diagnoser och bättra radiologens noggrannhet (Le et al., 2019). Vissa förespråkare för AI har föreslagit att människor och maskiner tillsammans ska förena sina styrkor. Det är brist på radiologer och en förening av människa och maskin skulle vara en fördel för arbetskraften. Ytterligare fördelar är att tid kan effektiviseras och att bättre kommunikation med patienter kan möjliggöras (Carter et al., 2020). För diagnos av bröstcancer utvecklades en AI-algoritm för att undersöka om radiologers diagnosnoggrannhet kunde förbättras och gynna radiologerna.
Bättre diagnostisk prestanda visades hos AI-algoritmen än hos radiologerna gällande upptäckt av cancer i mammografibilderna. Med hjälp av AI var dessutom den diagnostiska prestandan hos radiologerna betydande bättre och resultatet indikerade på att AI kan tillämpas som ett effektivt stödverktyg i upptäckten av bröstcancer (Kim et al., 2020).
2.3.3 Fördelar med AI
Det finns fördelar med införandet av AI inom mammografi. I denna studie kategoriseras fördelarna efter upptäckt av cancer, minskade felaktiga diagnoser, arbetskraft och beslutsstöd. I tabell 1 nedan ges en beskrivning av fördelarna och efter tabellen beskrivs kategoriseringarna mer utförligt.
FÖRDEL FÖRKLARING
UPPTÄCKT AV CANCER
1. Identifierar patienter som har nytta av ytterligare undersökning (Vinnova, 2018).
2. AI kan lättare identifiera bröstcancer (minska intervallcancer) (Houssami, Lee, Buist & Tao, 2017).
3. Förutsäga risken för bröstcancer (Le et al., 2019).
MINSKA FELAKTIGA DIAGNOSER
1. Minskade falskt-positiva resultat (Houssami et al., 2017) 2. Minskade falskt-negativa resultat (Watanabe et al., 2019).
ARBETSKRAFT
1. Arbetstid läggs på svårare fall (Le et al., 2019).
2. Minskad arbetsbelastning med ett AI-system (Rodriguez-Ruiz et al., 2019).
3. Bättre kommunikation med patienter (Carter et al., 2020).
BESLUTSSTÖD
1. AI kan användas som stöd vid beslutsfattande (Agnes et al., 2020; Carter et al., 2020; Le et al., 2019; Vinnova, 2018: Pesapane, Codari och
Sardanelli, 2018a: Kim et al., 2020).
Tabell 1: Fördelar med AI inom mammografi.
12 Upptäckt av cancer:
1. Ett beslutsstöd med DL har som mål att kunna identifiera lättbedömda mammografier och hittar patienter som är i behov av en till undersökning (Vinnova, 2018).
2. Cancer i bröstet missas runt 15%-35% vid en tolkning av en människa, vilket betyder att intervallcancer kan uppstå. En radiolog upptäcker inte cancern eftersom den inte alltid är upptäckbar. Utveckling av modeller kan med AI lättare identifiera bröstcancer och minska intervallcancer (Houssami et al., 2017).
3. En möjlighet med AI i ett CAD-system är att det är enklare att förutsäga risken för cancer i brösten (Le et al., 2019).
Minskade felaktiga diagnoser:
1. Forskning vid användning av AI vid mammografiscreening har mycket fokus på noggrannheten i syfte att minska falskt-positiva (friska klassificeras som sjuka) (Houssami et al., 2017).
2. Sju radiologer använde cmAssist™, en AI-baserad CAD (AI-CAD) algoritm som använde data från falsk-negativa (sjuka klassificeras som friska) mammogram. Resultatet visade att när radiologerna använde cmAssist™ förbättrades deras noggrannhet och sensitivitet gällande upptäckt av cancer i bröstet hos patienter som annars hade missats (Watanabe et al., 2019).
Arbetskraft:
1. Radiologer kan lägga mer av sin tid på svårare fall hos patienter eller om radiologerna känner en osäkerhet kring en patiens vård (Le et al., 2019).
2. Ett AI-system användes för att automatiskt skilja mellan mammografiundersökningar som hade lägre och högre sannolikhet för cancer. Att utesluta undersökningar som har lägre AI-poäng från en mänsklig utvärdering kan i vissa situationer vara möjligt visar studien på. För radiologerna kan detta möjligen minska arbetsbelastningen gällande screeningläsning (Rodriguez-Ruiz et al., 2019).
3. Inom den offentliga bröstcancerscreeningen anses radiologer vara underlevererade.
Genom att förena människa och maskin kan den brist på arbetskraft som finns förbättras samt att kliniker kan ta bättre hand om och kommunicera med sina patienter eftersom klinikers tid kan frigöras vid användning av en maskin (Carter et al., 2020).
Beslutsstöd:
1. Se kap. 2.3.2 Beslutsstöd för mammografi.
13
2.3.4 Utmaningar med AI
Det finns icke-tekniska utmaningar vid införande av AI inom mammografi. I denna studie kategoriseras icke-tekniska utmaningarna efter ansvar, mänskliga förmågor, acceptans och utbildning/kunskap. I tabell 2 nedan ges en beskrivning av de icke-tekniska utmaningarna och efter tabellen beskrivs kategoriseringarna mer utförligt.
UTMANING FÖRKLARING
ANSVAR Moraliskt och juridiskt ansvar hos läkaren gällande hur AI-teknik ska förklara en diagnos (Carter et al., 2020).
MÄNSKLIGA FÖRMÅGOR
1. Försämrade färdigheter inom hälso- och sjukvården (Carter et al., 2020).
2. Läkare identifierar cancer bättre, dock mindre vana vid olika varianter i normala bilder (Carter et al., 2020).
3. Förankringseffekten kan uppstå (Le et al., 2019).
ACCEPTANS
1. Vilken attityd allmänhet och kliniker har är inte helt klart (Carter et al., 2020).
2. Etiska och sociala problem måste tidigt klargöras för att öka förståelsen (Houssami et al., 2017).
UTBILDNING/
KUNSKAP
1. Radiologer behöver förstå hur AI-verktyg kan hjälpa dem (Tajmir &
Alkasab, 2018).
2. Mer samarbete mellan exempelvis radiologer och datavetare (Le et al., 2019).
3. Finns potential för mer forskning (Houssami et al., 2017). AI-tekniken är inte tillräckligt anpassad för hälso- och sjukvård (Vinnova, 2018).
Tabell 2: Utmaningar med AI inom mammografi.
Ansvar:
Att diagnoser fattas av rekommendationer från AI som är icke-förklarbara kan enligt Carter et al. (2020) leda till att läkare kommer möta utmaningar gällande det moraliska och juridiska ansvaret. Vidare innebär detta att den involverade läkaren kan behöva ta ett ansvar hen inte kontrollerar eller kan förklara. Problematiken är att det är svårt att i algoritmutvecklingen finna beslutspunkter som skapar ansvarsfördelningar och skillnaden mellan utvecklare och vårdpersonalen är att utvecklare inte behöver se till patientens intresse först.
Mänskliga förmågor
1. Genom att införa AI finns det risk för att hälso- och sjukvården försämrar sina färdigheter. Om anställdas rutiner ersätts och inte används regelbundet kan färdigheter
14
försämras (Carter et al., 2020). Läkare anpassar en åsikt utefter en algoritm eftersom hen vet att beslutet är baserat på stor samling data av experter (Le et al., 2019).
2. Enligt Carter et al. (2020) kan läkare bli bättre på att hitta cancer dock mindre vana vid olika varianter i bilder som är normala om AI används för att sortera ut normala mammografibilder.
3. Läkare kan börja acceptera AI-beslut trots att de kan visa en felaktig diagnos. Det finns en studie som visar på att noggrannheten har minskat hos läkare när de tittar på maskinbilder (Carter et al., 2020). Förankringseffekten kan uppstå, AI-tekniken markerar potentiell malign och personen som tittar på bilden kan bli partisk i beslutsfattandet. (Le et al., 2019).
Acceptans:
1. Vad allmänheten eller kliniker har för attityd gentemot AI är inte tydligt. Enligt en ny forskning i USA var det ett högre stöd gentemot AI hos män, rika personer, utbildade eller hos de erfarna med teknik. För reglering och styrning var det lägre stöd för AI hos yngre personer samt personer med ingenjörskunskap och datavetenskap. Arbetet identifierade också att det var lägre förståelse gällande framtida risker med AI (Carter et al., 2020).
2. Houssami et al. (2017) nämner etiska och sociala problem genom att tillåta AI-modeller upptäcka cancer. Detta är aspekter som måste i en tidig fas klargöras vid utveckling av AI- modeller för att öka förståelsen kring samhälleliga personperspektiv och skapa etisk- rättslig modell. Fördelen med att definiera dessa är att modeller kan utvecklas som är accepterat för alla aktörer. Berörda aktörer exempelvis utvecklare och kliniker behöver acceptera att AI inom bröstcancervården inte enbart är en teknisk utmaning utan även etiskt, juridiskt och socialt (Carter et al., 2020).
Utbildning/Kunskap:
1. På kort sikt behövs en förståelse hos radiologerna kring AI-verktygen och hur de kan hjälpa till att göra deras praxis bättre (Tajmir & Alkasab, 2018) Utbildningen som behövs för radiologerna innan verktygen kan tillämpas i klinisk praxis behöver utvärderas samt möjliga rekommendationer i syfte att utbildning kring AI integreras i radiologernas utbildning (Le et al., 2019).
2. Enligt Le et al. (2019) krävs nationella och internationella samarbeten mellan berörda aktörer exempelvis radiologer och datavetare. Detta för att implementation av tekniken ska bli säker och effektiv. Enligt Carter et al. (2020) krävs ett engagemang från berörda aktörer för utvecklingen av AI.
4. Det finns potential för mer forskning om AI inom mammografiscreening (Houssami et al., 2017). Även Giger (2018) belyser att innan ML fullständigt kan implementeras och användas finns det behov av forskning och utveckling av området. Enligt Vinnova (2018) är inte AI-tekniken tillräckligt anpassad för hälso- och sjukvården och en samverkan hos olika aktörer exempelvis industri och sjukvård ska skapa AI-innovationer i projektet AIDA.
15
2.4 Sammanfattning av bakgrund
Bakgrundens mål är att ge läsaren en helhetsbild kring den information som är viktig att veta om i samband med ämnet. Detta ger läsaren en kunskap kring den problembakgrund som har identifierats. Det som tas upp i delkapitlen ska binda ihop vad AI och beslutsstöd är tillsammans med hur detta har implementerats inom vården och specifikt inom mammografi. En beskrivning av vad mammografi är ges i syfte att introducera läsaren för vad studien kommer att fokusera på och för ytterligare kunskap tas AI som beslutsstöd upp inom mammografi, samt vilka fördelar och utmaningar det finns vid en implementation utav AI inom mammografi.
I bakgrundskapitlet identifieras utmaningar som finns vid en implementation av AI inom mammografi, det vill säga de icke-tekniska utmaningarna. I studien har dessa utmaningar kategoriserats utifrån: ansvar, mänskliga förmågor, acceptans och utbildning/kunskap.
Dessa icke-tekniska utmaningar är viktig förkunskap i syfte att resterande kapitel i studien ska underlätta för läsaren.
Figur 5 nedan illustrerar de områden från bakgrunden som bidrar till kommande problemområde och syfte i nästa kapitel. Ämnesområdet är AI och beslutsstöd, delområdet är hur det tillämpas inom mammografi och problemet är de icke-tekniska utmaningarna med AI inom mammografi, vilket bidrar till problemområdet och syftet.
Figur 5: Bakgrundssammanfattning.
16
3 Problembakgrund
Socialstyrelsen (2019) nämner att radiologi är ett område där tillämpning av AI har utvecklats, vilket inkluderar mammografi. Mammografi är en röntgenundersökning som kan användas vid screening i syfte att hitta bröstcancer (1177 Vårdguiden, 2018).
Tidigare forskning belyser att det kan vara svårt att upptäcka cancer i brösten grund av täta vävnader i brösten (Watanabe et al., 2019). Det finns ett behov av att utveckla verktyg för att förbättra specificitet och sensitivitet under mammografitolkning (Watanabe et al., 2019). Forskning nämner fördelar med att implementera AI inom mammografi, exempelvis enklare förutsäga risken bröstcancer (Le et al., 2019) och minskade felaktiga diagnoser (Houssami et al., 2017; Watanabe et al., 2019).
AI kan användas som stöd vid beslutsfattande (Agnes et al., 2020; Carter et al., 2020; Le et al., 2019; Vinnova, 2018: Pesapane, Codari och Sardanelli, 2018a; Kim et al., 2020). En radiologs arbete är mer än bara tolka röntgenbilder, andra arbetsuppgifter innebär även kommunikation av diagnos, utbildning och beslutsfattande vilket en dator inte kan utföra ensam (Pesapane, Codari & Sardanelli, 2018a). Förespråkare för AI har föreslagit att maskin och människa ska förena sina respektive styrkor (Carter et al., 2020). Fördelarna med att använda AI som beslutsstöd är ex. fördel för arbetskraften (Carter et al., 2020), hjälpmedel för radiologen att upptäcka cancer (Agnes et al., 2020) och fortsatt kommunikation med patienten kan möjliggöras (Carter et al., 2020).
Stor del av tidigare forskning som gjorts handlar om AI-tekniken i sig (exempelvis ML) och hur avläsning av röntgenbilder och upptäckt av cancer i brösten bäst kan upptäckas med den AI-teknik som tillämpats. I bakgrundskapitlet presenterades icke-tekniska utmaningar efter ansvar, mänskliga förmågor, acceptans och utbildning/kunskap. Icke- tekniska utmaningar handlar om att engagemang från berörda aktörer inom området är viktigt när AI ska utvecklas (Carter et al., 2020).
”National and international collaborations between radiologists, computer scientists, academia, and industry are therefore necessary to regulate the integration of AI-CAD systems rapidly, safely, and effectively into clinical practice.” (Le et al., 2019, s. 363).
Le et al. (2019) belyser att det är viktigt att säkerställa ett globalt samarbete mellan berörda aktörer, exempelvis mellan radiologer och datavetare för att tillhandahålla en AI- teknik som är säker och effektiv i hälso- och sjukvården. Det är dock i nuläget inte helt klart vad allmänheten samt kliniker har för attityd gentemot AI. Forskning har visat att stödet kring AI skiljer sig från person till person utifrån olika perspektiv (Carter et al., 2020). Vinnova (2018) lyfter fram att AI-tekniken inte är anpassad i en tillräckligt hög grad för att skapa nytta inom hälso- och sjukvården. Det finns potential för mer forskning om AI inom mammografiscreening (Houssami et al., 2017). För att AI för bröstcancer ska generera en lyckad praxis måste aktörer enligt Carter et al. (2020) erkänna att AI inom bröstcancervården även innebär utmaningar som inte enbart är tekniska.
17
”Health system administrators, clinicians and developers must acknowledge that AI-enabled breast cancer care is an ethical, legal and social challenge, not just a technical challenge”.
(Carter et al., 2020, s. 30).
För att utvecklingen av AI sker i ett samarbete från start till utvärdering och implementering behöver dessa utmaningar tas på allvar och kräver noggrant engagemang med en rad intressenter inom hälso-och sjukvården. Detta kan skapa förutsättningen för en lyckad praxis för AI inom bröstcancervården (Carter et al., 2020). Med tanke på att studien identifierade en rad icke-tekniska utmaningar vid införande av AI inom mammografi är det belägg för det Carter et al. (2020) belyser: att AI är mer än bara en teknisk utmaning.
3.1 Problemformulering
Tidigare studier pekar på att vad allmänheten samt kliniker anser om AI inte är tydligt.
Utifrån olika perspektiv skiljer sig stödet kring AI inom hälso- och sjukvård. Det finns även en låg förståelse för framtida risker med AI. Det är brist på forskning som i en större utsträckning beskriver radiologers perspektiv kring AI som beslutsstöd inom mammografi. För att skapa en praxis när AI ska användas är det viktigt att berörda aktörer erkänner att det finns utmaningar som inte enbart är tekniska. Genom att undersöka radiologers perspektiv kring icke-tekniska utmaningar kan en ökad förståelse kring ämnet öka hos fler aktörer, i och med att det finns ett behov av mer forskning kring fler perspektiv som kan leda till förbättrat samarbete mellan intressenter. En studie om radiologers perspektiv kring AI som beslutsstöd inom mammografi och de icke-tekniska utmaningar kan bidra med ett nytt perspektiv och öka kunskapen kring vad som anses vara relevant vid utvecklingen och för att skapa en större helhetsbild kring ämnet.
3.2 Syfte och frågeställning
Syftet är att påvisa ett nytt perspektiv från en specifik målgrupp: radiologer inom mammografi när AI ska användas som beslutsstöd inom mammografi. Studien ska bidra till forskningen och öka kunskapen kring radiologers inställning gentemot vilka icke- tekniska utmaningar som finns. För att uppnå syftet har följande frågeställning tagits fram:
”Vilka icke-tekniska utmaningar finns det med att använda AI som beslutsstöd inom mammografi ur ett radioligistiskt perspektiv?”
18
3.3 Avgränsningar
I studien har avgränsningar gjorts i syfte att ha en tydlig struktur och för att hålla sig inom ramen för ämnet.
Perspektiv: Studien avgränsas till att enbart studera radiologers perspektiv gällande AI som stöd vid beslutsfattande ur en svensk kontext. Studien omfattar radiologer i allmänhet ur en svensk kontext och ingen vikt läggs på specifika attribut exempelvis ålder eller kön. Andra aktörer inom hälso- och sjukvården gällande mammografi exempelvis utvecklare eller sjuksköterskor utesluts eftersom det är radiologers perspektiv som är viktigt i denna studie.
Synvinkel: Fokus ligger på att identifiera tankar och åsikter från ett radiologistiskt perspektiv varav två synvinklar kommer användas: (1) Radiologer som har erfarenhet av AI inom mammografi. (2) Radiologer som inte har erfarenhet av AI inom mammografi.
Krav på erfarenhet av AI är att respondenten forskat om AI eller använt AI kliniskt. Dessa två synvinklar används i syfte att framhäva fler åsikter och tankar kring ämnet som kan behöva tas hänsyn till i framtida implementationer.
Uteslutning: Studien utesluter vilken AI-teknik som är bäst lämpad vid AI som stöd vid beslutsfattande. Fokus hamnar på radiologers åsikter och tankar kring AI som stöd vid beslutsfattning. AI-teknikerna har förklarats grundligt i bakgrunden i syfte att skapa en övergripande förståelse kring ämnet men inget som kommer vara avgörande i analys- och resultatdelen.
3.4 Förväntat resultat och framtida förväntningar
Resultatet från studien förväntas fylla en ”lucka” i existerande forskning genom att tillföra ett nytt perspektiv utifrån två olika synvinklar. Synvinklarna är: (1) radiologer som har erfarenhet av AI inom mammografi samt (2) radiologer som inte har erfarenhet av AI inom mammografi. Många aktörer är intresserade av AI inom mammografi vilket skapar belägg för att ny forskning inom ämnet är rätt i tiden. Det är brist på radiologers inställning gentemot AI inom mammografi och specifikt gällande vilka icke-tekniska utmaningar som finns. Denna studie förväntas bidra men ny kunskap som kan vara till nytta för framtida implementationer och forskning inom ämnet.
Radiologernas åsikter är viktiga för att öka förståelsen kring ämnet och vad det innebär.
Rätt inställning hos användarna av det framtida AI användandet inom mammografi är viktigt för att öka engagemanget, därav kan en sammanställning av radiologernas inställning hjälpa till vid en implementation. Denna studie kan ge riktlinjer i hur involverade parter exempelvis utvecklare och kravinsamlare ska agera för att ta hänsyn till viktiga aspekter ur radiologernas perspektiv. Kännedom från flera olika perspektiv är viktigt för att en implementation blir så säker som möjligt och att inga viktiga utmaningar glöms bort vid en implementation som exempelvis enbart radiologer är medvetna om. En ökad förståelse hos alla berörda parter kan leda till ett bättre samarbete och kan även tillhandahålla att radiologer kan utföra sitt arbete på bästa effektiva sätt i framtiden.
19
4 Metod och genomförande
Följande kapitel redovisar de metodval som har tillämpas i studien samt genomförandet.
Kapitlet redovisar arbetsprocess, dataanalys och etiska aspekter.
4.1 Val av forskningsmetod
Utifrån ämnesområdet och den valda frågeställningen i studien har en kvalitativ forskningsmetod använts. I en kvalitativ forskningsmetod samlas empirisk data in som kan bidra till en mer detaljerad och djup information vilket kan öka förståelsen kring ämnet som studeras (Patton, 2015). I den kvalitativa metoden hittas svar genom att ställa frågor som berör människors syn på verkligheten och deras upplevelser från ett mindre antal individer. Det finns inte en enda objektiv sanning utan individers uppfattningar om det ämne som studeras kan variera (Hedin & Martin, 2011). För att besvara frågeställningen krävdes djupa och detaljerade åsikter kring uppfattningar och erfarenheter från individer som hade en expertkunskap inom ämnesområdet.
Undersökningen i en kvalitativ forskningsmetod sker ofta i en position som är nära det ämne som studeras och oftast i särskilda sociala sammanhang (Berndtsson et al., 2008). I denna studie utfördes intervjuerna i ett sammanhang där respondenternas position var närbeläget det ämnesområde som studerades. De betraktades som ämnesexperter i studien i och med att de hade erfarenhet av att granska bilder inom mammografi. Vem som helst hade inte kunnat bidragit med synen och upplevelsen kring att använda AI som ett beslutsstöd inom mammografi. Det perspektiv som kunde bidra med djup information samt olika uppfattningar var radiologerna i och med att det är deras verklighet.
4.1.1 Metodansats
Den tillämpade metodansatsen som användes i studien för att finna en slutsats var den abduktiva. Patel & Davidson (2003) belyser att en abduktiv ansats är ett samspel mellan induktiv och deduktiv ansats vilket var en fördel i denna studie då nya infallsvinklar kring ämnet kunde genereras.
Enligt Bryman (2012) innebär den deduktiva ansatsen att en forskare drar en hypotes baserat på tidigare teori. Hypotesen ska sedan verifieras eller avvisas och teorin omarbetas. I studien har kategoriseringarna som baserats på tidigare litteratur om icke- tekniska utmaningar använts, vilket är mer utav ett deduktivt synsätt i och med att studien undersökte utmaningar som redan existerade. Dock fanns ingen teori om vad respondenterna skulle generera för data, alltså ingen hypotes kunde verifieras eller avvisas. Den induktiva ansatsen möjliggjorde för studien att samla in data från respondenterna och utifrån den datan generera en teori kring utmaningarna. Induktiv ansats innebär att en teori tas fram utifrån det resultat som framkommit ur forskningen (Bryman, 2012) som en modell eller förklaring utifrån sin data (Hedin & Martin, 2011).
Hade en helt induktiv ansats används hade studien inte vetat vilka kategorier som skulle framkommit. Hade studien varit helt deduktiv hade det inte funnits rum för att hitta nya
20
utmaningar i och med att studien enbart hade kunna utgått ifrån utmaningarna i den skapta kategoriseringen och vidare testat dessa.
Bryman (2012) belyser att deduktiv och induktiv inte ska tolkas som strikta skillnader, utan ansatserna ska istället ses som tendenser i forskningen. Denna studie har inte en strikt induktiv eller deduktiv ansats, utan slutsatsen togs fram genom ett samspel mellan dessa. Kategoriseringarna i studien har använts mer som ett ramverk som studien kunde luta sig mot för att i sin tur generera åsikter och infallsvinklar från respondenterna. Detta samspelar med det Dubois & Gadde (2002) belyste om abduktiva ansatsen: andra relationer och variabler upptäckts, alltså teoretiska modeller utvecklas snarare än att en teori bekräftas.
4.2 Arbetsprocess
Figur 6 beskriver den övergripande arbetsprocess som studien har följt. Första steget innebar att utföra en datainsamling i form av intervjuer (se kap. 4.2.1). I det andra steget analyserades data (se kap. 4.2.2) för att i det tredje steget dokumentera resultatet från dataanalysen (se kap. 5).
Figur 6: Arbetsprocess.
4.2.1 Datainsamling: intervjuer
Intervjuer, organisationsdokument, observationer/fältstudier är tre metoder att använda vid insamling av kvalitativ data (Patton, 2015). I denna studie har data samlats in genom att utföra intervjuer i och med att metoden lämpade sig bäst. Enligt Bryman (2012) är intervjuer den metod som är vanligast inom kvalitativ forskning på grund av flexibiliteten.
Berndtsson et al. (2008) nämner att beroende på syftet som ska uppnås finns olika sätt att genomföra intervjun.
I studien användes semistrukturerade intervjuer, vilket är en blandning mellan ostrukturerade och strukturerade frågor (Hedin & Martin, 2011; Patton, 2015).
Applicering utav en semistrukturerad form av intervjuerna innebär att forskaren har en intervjuguide där frågor och ämnen har listats (Bryman, 2012). Studien baserade intervjuguiden på de kategoriseringarna som skapats i studien från tidigare litteratur i syfte att förhålla sig till ämnet, samt för att enklare jämföra svar kring vilka icke-tekniska utmaningar det finns ur ett radiologiskt perspektiv. Studien krävde dock utrymme för avvikelser i syfte att få mer djup och detaljerad information från respondenten och enligt Hedin & Martin (2011) kan semistrukturerade intervjuer skapa rum för fler åsikter från respondenterna. Semistrukturerade intervjuer möjliggör utrymme för fler åsikter från respondenten eftersom intervjuaren kan ställa följdfrågor som kan behöva följas upp
21
utifrån respondentens svar om det anses vara betydande för studien (Bryman, 2012). I och med att det inte finns en enda objektiv sanning samt att studien skulle generera nya åsikter och infallsvinklar från respondenterna krävdes utrymme för avvikelser, det vill säga utrymme för fler åsikter i syfte att generera djup och detaljerad information kring de icke-tekniska utmaningarna. Den semistrukturerade formen möjliggjorde att studien kunde förhålla sig till kategoriseringarna samtidigt som det fanns utrymme för följdfrågor och djupare beskrivningar.
Figur 7 nedan beskriver intervjuprocessen som följdes under studien för att samla in data.
Efter ges en beskrivning av de olika stegen i processen.
Figur 7: Övergripande intervjuprocess
Kontakta respondenter/boka in intervju: För att skapa initial kontakt kontaktades lämpliga respondenter (radiologer med erfarenhet av mammografi) via samtal eller mejl för att se om ett intresse fanns i början av studien (januari). Intervju bokades in med de respondenter som hade ett intresse av att medverka. 2 respondenter satte en preliminär vecka för intervjun och ville bli kontaktade 1 vecka innan för att då boka in datum och tid.
Datum, tid och plats bokades in med respektive respondent oavsett om det skedde i januari eller en vecka innan. Alla respondenter fick själva bestämma över hur intervjun skulle utföras. I de intervjuer som bokades in i januari föredrog majoriteten av respondenterna att hålla intervjun på hens arbetsplats. Att utföra en intervju på en respondent arbetsplats kan enligt Berndtsson et al. (2008) vara en fördel då respondenten kan känna sig mer bekväm. Dock på grund utav en rådande hälsosituation i Sverige1 rekommenderades alla respondenter att intervjuas via skype eller via telefon, vilket samtliga respondenter samtyckte till.
Tabell 3 nedan ger en beskrivning av de respondenter som intervjuades med attribut som ansågs vara väsentlig information i studien. 7 radiologer som är verksamma i Sverige från olika arbetsplatser intervjuades i och med att vissa har forskat/kliniskt använt AI samt inte forskat/inte använt AI kliniskt. Synvinklarna är: (1) radiologer som har erfarenhet av AI inom mammografi samt (2) radiologer som inte har erfarenhet av AI inom mammografi.
Respondent Yrkesroll Erfarenhet
(år)
Erfarenhet av AI (Ja/Nej)
R1 Röntgenspecialist/
pensionerad professor i radiologi.
Nuvarande status: forskar och undervisar.
Cirka 50 år Nej
1 Covid-19.
