AI i biomedicinsk forskning

AI i biomedicinsk forskning er brugen af maskinlæring, deep learning og generative modeller til at analysere biologiske og sundhedsrelaterede data. Teknologien kan finde mønstre i genomik, billeder, proteiner, lægemiddelkandidater og patientdata, men resultater kræver datakvalitet, validering, dokumentation og faglig fortolkning.

Hvad betyder AI i biomedicinsk forskning?

AI i biomedicinsk forskning dækker modeller og algoritmer, der lærer af biologiske, kemiske eller sundhedsrelaterede data. Formålet er typisk at finde mønstre, prioritere hypoteser, forudsige biologiske sammenhænge eller gøre dataanalyse hurtigere, end man kan med manuelle metoder alene.

Begrebet omfatter både klassisk maskinlæring, dybe neurale netværk, computer vision, sprogmodeller og generative modeller. Hvis du vil skelne grundbegreberne, er forskellen på machine learning og deep learning central: maskinlæring kan være relativt enkel statistisk mønstergenkendelse, mens deep learning ofte bruges til store og komplekse datatyper som billeder, sekvenser og multimodale datasæt.

I forskning er AI sjældent et selvstændigt bevis. En model kan foreslå en mulig biomarkør, en sandsynlig proteinstruktur eller en risikogruppe, men forskeren skal stadig undersøge, om resultatet holder i nye data, i laboratoriet eller i et kontrolleret klinisk setup. Den praktiske værdi ligger derfor i at accelerere prioritering og analyse, ikke i at fjerne behovet for videnskabelig kontrol.

Hvilke datatyper bruges i biomedicinsk AI?

Biomedicinsk AI arbejder med mange datatyper, fordi sygdom, behandling og biologiske mekanismer kan beskrives på flere niveauer. De vigtigste datakilder er genomiske sekvenser, protein- og molekylestrukturer, mikroskopi, radiologiske billeder, laboratoriemålinger, elektroniske patientjournaler, sensordata og forskningsartikler.

Datatypen bestemmer ofte modeltypen. Billeder kræver typisk computer vision, sekvenser kræver modeller, der kan håndtere rækkefølge og variation, mens kombinationer af tekst, billeder og taldata kræver multimodale modeller. I praksis bliver biomedicinsk AI stærkest, når datasættet er velbeskrevet, repræsentativt og knyttet til et klart forskningsspørgsmål.

Hvor giver AI mest forskningsværdi?

AI giver mest værdi i opgaver, hvor datamængden er stor, mønstrene er komplekse, eller den manuelle analyse er langsom og variabel. Det gælder eksempelvis billedanalyse i patologi, genomiske associationer, lægemiddelscreening, proteinstruktur, litteratursøgning, kohorteanalyse og prioritering af laboratorieforsøg.

Den største gevinst opstår ofte tidligt i forskningsprocessen. AI kan reducere antallet af kandidater, der skal testes, pege på uventede sammenhænge eller foreslå, hvilke prøver der kræver nærmere undersøgelse. Det sparer ikke nødvendigvis selve valideringsarbejdet, men det kan gøre vejen frem mod et godt forsøg mere målrettet.

Teknologien er mindre stærk, når data er tynde, dårligt dokumenterede eller skævt fordelt. En model kan levere et overbevisende output uden at have lært en biologisk relevant sammenhæng. Derfor skal forskningsværdi vurderes ud fra reproducerbarhed, forklarlighed, biologisk plausibilitet og evnen til at holde i data fra andre laboratorier, populationer eller målemetoder.

Hvordan bruges AI i genomik og præcisionsmedicin?

I genomik bruges AI til at finde mønstre i DNA, RNA, epigenetik og genekspression. Modeller kan hjælpe med at prioritere genetiske varianter, finde signaler i store populationsdata eller forbinde molekylære profiler med sygdomsforløb. Det gør teknologien relevant for præcisionsmedicin, hvor behandling og risikovurdering søges tilpasset biologiske forskelle mellem patienter.

En praktisk begrænsning er, at genomiske data ikke taler for sig selv. Variation mellem populationer, prøvehåndtering, sekventeringsteknik, klinisk registrering og miljøfaktorer kan ændre modellens output. Derfor kræver AI i genetisk forskning både bioinformatisk kvalitetssikring og biologisk efterprøvning.

For en forskningsgruppe betyder det, at modellen skal knyttes til et tydeligt formål: variantprioritering, sygdomsklassifikation, biomarkørjagt eller hypotesegenerering. Hvis formålet flytter sig fra forskning til patientnær beslutning, ændrer kravene sig. Så er det ikke nok, at modellen er statistisk præcis i et træningsdatasæt; den skal også dokumenteres i klinisk relevante data og under kontrollerede rammer.

Hvordan ændrer AI protein- og lægemiddelforskning?

AI har fået en særlig rolle i strukturbiologi og tidlig lægemiddelforskning. Modeller kan forudsige proteinstrukturer, protein-protein-interaktioner og mulige bindinger mellem biomolekyler. Det kan gøre forskere bedre til at vælge, hvilke molekyler, mutationer eller bindingssteder der bør undersøges nærmere.

AlphaFold 3 er et centralt eksempel. Nature-artiklen fra 8. maj 2024 beskriver en model, der kan forudsige fælles strukturer for komplekser med proteiner, nukleinsyrer, små molekyler, ioner og modificerede rester. Det er relevant, fordi sygdomsbiologi ofte afhænger af interaktioner, ikke kun af enkeltstående proteiners form.

For lægemiddelforskning betyder det ikke, at AI kan erstatte kemi, celleforsøg eller kliniske studier. En strukturforudsigelse kan være et stærkt startpunkt, men binding, toksicitet, farmakokinetik, dosis og effekt skal stadig undersøges gennem etablerede metoder. AI kan derfor beskrives som et prioriterings- og designværktøj i farmaceutisk forskning, ikke som en genvej uden eksperimenter.

Hvad kan AI gøre for medicinsk billedanalyse?

Medicinsk billedanalyse er et af de mest modne områder for AI i biomedicin. Modeller kan segmentere organer og væv, finde mønstre i røntgen, CT, MR, ultralyd og mikroskopi eller måle ændringer over tid. I forskning kan det give mere ensartet analyse og gøre store billedsamlinger praktisk mulige at undersøge.

AI-baseret billedanalyse kræver tydelige annoteringer. Hvis træningsdata er mærket forskelligt af klinikere, laboratorier eller forskningsgrupper, lærer modellen også denne variation. Det samme gælder billedkvalitet, scannertype, farvning, opløsning og patientgruppe. En model, der virker i ét datasæt, kan derfor miste præcision i et andet.

Derfor bør AI-billedgenkendelse i biomedicinsk forskning altid vurderes med eksterne testdata og klare fejltyper. Falsk positive fund kan føre til unødvendig opfølgning, mens falsk negative fund kan skjule relevante signaler. I forskning handler kvaliteten ikke kun om samlet nøjagtighed, men også om hvilke fejl modellen laver.

Hvor går grænsen mellem forskningsværktøj og klinisk beslutningsstøtte?

Grænsen går ved formål, kontekst og konsekvens. Et AI-system, der bruges til at udforske hypoteser i et forskningsdatasæt, er noget andet end et system, der påvirker diagnose, behandling, triage eller patientkommunikation. Den samme tekniske model kan derfor skifte karakter, hvis den flyttes fra laboratoriet til klinisk brug.

I en forskningskontekst kan output være et forslag, en score eller en prioritering. I klinisk beslutningsstøtte kan output få betydning for mennesker, behandling og ansvar. Det udløser højere krav til dokumentation, risikostyring, menneskelig kontrol, databeskyttelse, overvågning efter ibrugtagning og forklaring af modellens begrænsninger.

For danske og europæiske forskningsmiljøer er den praktiske konsekvens, at man tidligt bør beskrive den tilsigtede brug. Hvis projektet kun skal skabe viden, er kravene andre end hvis modellen senere skal integreres i et produkt, en klinisk arbejdsgang eller en beslutningsproces. Den afgrænsning gør det lettere at planlægge dokumentation, etikgodkendelse, databehandleraftaler og validering.

Hvilke krav stiller AI til data og dokumentation?

AI stiller højere krav til datadokumentation end mange traditionelle analyser, fordi modellen kan udnytte skjulte mønstre, som forskeren ikke har tænkt over. Det kan være scannermærker, laboratorievariation, tidsperioder, patientforløb eller manglende data, der utilsigtet bliver signaler i modellen.

Derfor skal datasæt beskrives med oprindelse, inklusionskriterier, eksklusionskriterier, målemetoder, annotering, kvalitetssikring, samtykke og kendte begrænsninger. NIH’s Bridge2AI-program bruger netop ideen om AI-klare data: datasæt skal ikke kun være store, men også nøjagtige, pålidelige, etisk indsamlede og mulige at genbruge på en kontrolleret måde.

For en forskningsgruppe er dokumentation ikke en administrativ eftertanke. Den afgør, om andre kan forstå, teste og gentage analysen. Uden dokumentation kan en model se imponerende ud i en intern præsentation, men være svær at publicere, overføre eller bruge som grundlag for videre forskning.

Hvordan håndteres bias og repræsentativitet?

Bias i biomedicinsk AI opstår, når data, målinger eller forskningsdesign giver modellen et skævt billede af virkeligheden. Det kan skyldes underrepræsenterede patientgrupper, geografiske forskelle, manglende sygdomsstadier, selektion i biobanker eller historiske forskelle i adgang til diagnostik og behandling.

En model kan også være skæv, selv om datasættet er stort. Hvis et billedarkiv primært kommer fra ét hospital, eller hvis genetiske data overvejende repræsenterer bestemte befolkningsgrupper, kan modellen lære mønstre, der ikke generaliserer. Det kræver målrettet test på tværs af grupper, datakilder og målemetoder.

Praktisk håndtering af bias i AI handler om mere end at måle gennemsnitlig performance. Du bør undersøge fejl fordelt på relevante undergrupper, dokumentere datadækning, teste modellen uden for træningsmiljøet og beskrive, hvilke grupper modellen ikke kan siges at dække sikkert.

Hvordan bør resultater valideres?

Validering bør ske i flere lag. Først skal modellen testes teknisk på data, der ikke indgik i træningen. Derefter skal resultatet vurderes biologisk eller klinisk: giver mønstret mening, kan det forklares, og kan det genfindes i uafhængige datasæt eller forsøg?

En god valideringsplan skelner mellem intern test, ekstern test og prospektiv afprøvning. Intern test viser, om modellen kan generalisere inden for samme datamiljø. Ekstern test viser, om modellen holder i andre laboratorier, hospitaler eller populationer. Prospektiv afprøvning viser, hvordan den fungerer, når data indsamles fremadrettet under realistiske vilkår.

• Kontrollér, at træningsdata og testdata ikke lækker information mellem hinanden.
• Brug relevante fejlmål, ikke kun samlet nøjagtighed.
• Undersøg usikkerhed og kalibrering, især hvis output er en risikoscore.
• Test modellen i undergrupper, hvor fejl kan have særlig betydning.
• Beskriv, hvilke anvendelser modellen ikke er valideret til.

Hvilke sikkerheds- og fortrolighedsrisici følger med?

Biomedicinske data kan være følsomme, selv når direkte identifikatorer er fjernet. Genetiske data, sjældne diagnoser, billeddata og kombinerede kliniske datasæt kan i nogle tilfælde øge risikoen for genidentifikation. Derfor kræver AI-projekter klare regler for adgang, logning, opbevaring, deling og sletning.

Derudover kan modeller lække information gennem outputs, hvis de er trænet på følsomme data uden tilstrækkelige sikkerhedsforanstaltninger. Det gælder især ved generative modeller, interaktive systemer og modeller, der stilles til rådighed for mange brugere. Risikoen afhænger af modeltype, adgangsform, træningsdata og tekniske kontroller.

Sikkerhed handler også om misbrug og fejlanvendelse. En model, der kan analysere biologiske mønstre, kan bruges til legitim forskning, men den kan også give vildledende eller uforsvarlige svar, hvis brugeren overser begrænsningerne. Derfor bør forskningsmiljøer kombinere tekniske kontroller med adgangsstyring, revisionsspor, klar ansvarsfordeling og menneskelig gennemgang af følsomme resultater.

Hvordan kan en forskningsgruppe bruge AI ansvarligt?

Ansvarlig brug begynder med et konkret forskningsspørgsmål. Spørgsmålet skal afgøre, hvilke data der er nødvendige, hvilken modeltype der er relevant, og hvordan resultatet skal efterprøves. Hvis målet er uklart, bliver det også uklart, om modellen faktisk forbedrer forskningen.

En praktisk arbejdsgang kan bygges op i trin: afgræns formålet, kortlæg data, vurder samtykke og adgang, etabler baseline-metoder, vælg model, dokumentér træning, test i uafhængige data, vurder bias og planlæg, hvordan resultater skal fortolkes af fagpersoner. Denne rækkefølge gør AI til en del af forskningsdesignet i stedet for et lag, der lægges ovenpå til sidst.

1. Definér, om modellen skal bruges til hypoteser, prioritering, måling eller beslutningsstøtte.
2. Beskriv datakilder, datakvalitet og kendte huller, før modellen vælges.
3. Sammenlign AI-modellen med en enkel baseline, så forbedringen kan måles.
4. Planlæg ekstern validering, før resultatet præsenteres som generaliserbart.
5. Dokumentér begrænsninger, så modellen ikke bruges uden for sit formål.

Hvad er de vigtigste begrænsninger?

Den første begrænsning er datakvalitet. AI kan ikke rette op på upræcise målinger, manglende klinisk kontekst eller skæve data uden at risikoen flytter ind i modellen. Store datasæt kan reducere tilfældig variation, men de fjerner ikke systematiske fejl.

Den anden begrænsning er fortolkning. Mange biomedicinske modeller kan give stærke forudsigelser uden at forklare den biologiske årsag. Det kan være nyttigt til prioritering, men det er svagere som videnskabelig forklaring. Hvis målet er at forstå en mekanisme, kræver modellen derfor supplerende biologiske analyser.

Den tredje begrænsning er overførbarhed. En model kan være trænet på data fra bestemte instrumenter, populationer, laboratorier eller kliniske rutiner. Når den flyttes, kan performance ændre sig. Derfor bør enhver påstand om bred anvendelse bygge på ekstern validering og tydelig beskrivelse af, hvor modellen er testet.

Generativ AI kan hjælpe med at sammenfatte litteratur, foreslå forsøgsdesign, strukturere kode, udlede mønstre i multimodale data og generere hypoteser. I biomedicin kan teknologien også bruges i molekylært design, syntetiske data, rapportudkast og interaktive forskningsassistenter.

Begrænsningen er, at generative modeller kan producere plausible, men forkerte svar. I biomedicinsk forskning er det særlig problematisk, fordi små fejl i metode, citation, molekylebeskrivelse eller datasammenhæng kan få store konsekvenser. Derfor skal generativ AI bruges med kildekontrol, reproducerbare analyser og faglig gennemgang.

Den mest robuste anvendelse er ofte assisterende: modellen hjælper med søgning, struktur, kodeforslag eller idéudvikling, mens forskeren kontrollerer data, metode og konklusion. Jo tættere output kommer på behandling, diagnose eller publicerbar evidens, desto stærkere skal dokumentation, versionering og validering være.

Hvilke kilder ligger til grund?

Fremstillingen bygger især på NIH/NIBIBs gennemgang af kunstig intelligens i biomedicin, NIH Common Funds Bridge2AI-program, Nature-artiklen om AlphaFold 3 og biomolekylære interaktioner, WHO’s rapport om etik og styring af AI i sundhed og Europa-Kommissionens overblik over AI Act.