Skal gjøre brystkreftdiagnostikk raskere og mer presis

Brystkreft er den kreftformen som rammer flest kvinner i Norge, og MR brukes ofte for å avklare komplekse funn. Men bildene er krevende å tolke, og metodene som brukes i dag er både tidkrevende og ressursintensive.

- Målet var å finne KI‑metoder som kan hjelpe radiologene, ikke erstatte dem, sier prosjektleder Endre Grøvik i Helse Møre og Romsdal, som sammen med stipendiat Sam Narimani er den som har drevet prosjektet fram.

IMAGINE ble etablert for å undersøke hvordan avanserte algoritmer kan forbedre segmentering av bryst og svulster i MR‑bilder, altså det å dele bildet inn i tydelige områder slik at brystvev og svulstvev kan skilles fra hverandre. Forskerne hentet erfaring fra tidligere internasjonalt KI‑arbeid på hjernemetastaser (kreftceller som har spredt seg til hjernen fra en svulst et annet sted i kroppen), og ønsket å tilpasse denne kunnskapen til brystkreft.

- Segmentering av kreft i bilder har mange fellestrekk på tvers av organsystemer. Da så vi et potensial for å overføre metodikken og utvikle noe helt nytt, sier Narimani.

Det ble tidlig klart at prosjektet måtte følge utviklingen innen KI tett. Feltet utvikler seg raskt, og løsninger som fremsto som moderne i planleggingsfasen, var allerede utdaterte da prosjektet startet

- Du må utvikle og tilpasse underveis, for det dukker hele tiden opp nye modeller, nye metoder og nye behov, sier Narimani.

Denne saken inngår i rapporten «Forskning og innovasjon til pasientens beste – Nasjonal rapport fra spesialisthelsetjenesten 2025», laget på oppdrag fra Helse- og omsorgsdepartementet. 

Utviklet mer energieffektive KI‑modeller

Forskerne brukte MR-data fra flere sykehus og åpne datasett kombinert med dype læringsmodeller. En utfordring var at mange av de tidligere innsamlede bildene manglet annotasjon, altså markeringer fra radiologer som viser hva de ulike strukturene i bildet er. Fordi radiologer har travle dager og ofte må gjøre dette på fritiden, ble datagrunnlaget mindre enn ønsket, forklarer Narimani.

Han har bakgrunn fra energisystemoptimalisering og stilte seg spørsmålet: Kan man trene KI‑modeller med lavere energiforbruk uten å tape nøyaktighet? Dette førte raskt til et nytt forskningsspor: bærekraft.

Prosjektet sammenlignet syv ulike dype læringsmodeller for segmentering av brystregionen. Noen av dem viste seg å kunne trenes 200–450 prosent mer energieffektivt, samtidig som presisjonen holdt seg på samme nivå eller ble bedre.

- Det var overraskende hvor lite presisjon vi mistet ved å gå for de mer energieffektive modellene. Det gjorde at bærekraft ble en integrert del av prosjektet, sier Narimani.

Når modellen ble brukt på selve svulstene, de små områdene med unormalt vev i brystet, økte presisjonen med rundt 50 prosent når modellen fikk en presist avgrenset brystregion. Flere av metodene de testet leverte langt bedre resultater enn tradisjonelle tilnærminger.

- Tett samarbeid med radiologene var avgjørende. Vi som jobber teknisk, ser piksler. Radiologene ser anatomi, klinikk og konsekvens. Vi måtte forstå hvor grensene i brystet går, hva som er viktig å få med og hva som er støy, sier Narimani.

Mot raskere diagnostikk og bedre verktøy

Prosjektet viser at KI kan gi mer detaljerte og standardiserte analyser av MR‑bilder enn dagens manuelle metoder. I tillegg kan algoritmene redusere ventetiden og arbeidsbelastningen for radiologer, som i dag står i en krevende bemanningssituasjon.

Forskerne mener også at metodene kan bidra til mindre variasjon mellom erfarne og mindre erfarne radiologer.

- Det er et viktig poeng. KI kan gi en mer standardisert bunnlinje, og så kan radiologene gjøre sine vurderinger på toppen av det, sier Grøvik. Han tror rekrutteringen av Narimani, med en annen bakgrunn og et annet perspektiv, bidrar til at de kan tenke nytt og skape nye verdier, og sette fokus nettopp på bærekraft.

Veien videre handler om større studier, internasjonale samarbeid og utvikling av syntetiske data for å trene modellene ytterligere. Syntetiske MR‑bilder kan gjøre det mulig å forbedre modellene uten nye pasientdata. Det åpner for store muligheter.

Forskergruppen planlegger nå både nye søknader og prosjekter som skal teste metodene i klinikken.

- Målet er verktøy som faktisk kan tas i bruk av radiologer. KI skal ikke være et eksperiment, men et hjelpemiddel som gjør diagnostikken raskere, tryggere og mer presis, sier Endre Grøvik og Sam Narimani.

FAKTA

Prosjekttittel: IMAGINE – Improved Diagnostics of Breast Cancer using Artificial Intelligence

• Sted: Helse Møre og Romsdal, NTNU og nasjonale samarbeidssykehus
• Formål: Å utvikle og teste KI‑metoder som kan segmentere bryst og svulster på MR‑bilder mer presist og energieffektivt, for bedre diagnostikk av brystkreft.
• Prosjektgruppe: Medisinske fysikere, radiologer og KI‑forskere ved Helse Møre og Romsdal, NTNU, Stavanger universitetssykehus og Akershus universitetssykehus.
• Funn: KI-modellene ble både mer nøyaktige og mer miljøvennlige. Presisjonen i svulstsegmentering økte betydelig når brystområdet først ble avgrenset, og energiforbruket under modelltrening ble kraftig redusert.

PUBLIKASJONER:

• Narimani, S. et al. Comparative analysis of deep learning architectures for breast region segmentation with a novel breast boundary proposal. Scientific Reports, 2025; 15:8806.
• Narimani, S. et al. Sustainable deep learning-based breast lesion segmentation: impact of breast region segmentation on performance. BMC Medical Imaging, 2025; 25:406.