Kunstig intelligens i cancerforskning

Kunstig intelligens i cancerforskning bruges til at finde mønstre i kræftdata, forudsige biologiske sammenhænge og prioritere forsøg, men teknologien er ikke et selvstændigt bevis. Den største værdi opstår, når billeddata, genomik, tumorbiologi og kliniske data kombineres med dokumenteret datakvalitet, ekstern validering og faglig fortolkning.

Hvad betyder kunstig intelligens i cancerforskning?

Kunstig intelligens i cancerforskning dækker maskinlæring, deep learning, computer vision, sprogmodeller og andre beregningsmetoder, der lærer mønstre fra kræftrelaterede data. Formålet er typisk at opdage signaler, som er svære at se manuelt, eller at gøre store analyser hurtigere og mere ensartede.

Begrebet spænder fra grundforskning i tumorbiologi til billedanalyse, genomik, lægemiddelrespons, litteratursøgning, forsøgsdesign og kræftovervågning. Hvis du vil placere feltet bredere, hænger det tæt sammen med AI i biomedicinsk forskning, men cancerområdet har særlige krav, fordi sygdommen ofte udvikler sig forskelligt mellem patienter, tumorer og cellekloner.

AI bør derfor forstås som et forskningsværktøj, ikke som en automatisk erstatning for laboratorieforsøg, kliniske studier eller lægefaglig vurdering. En model kan pege på en mulig biomarkør, et billedmønster eller en behandlingsrespons, men fundet skal stadig efterprøves i uafhængige data og i en relevant biologisk eller klinisk ramme.

Hvor bruges AI i kræftforskning i dag?

National Cancer Institute beskriver AI som relevant på tværs af cancerforskning og behandling, blandt andet til at forstå kræftbiologi, støtte screening og diagnostik, accelerere lægemiddeludvikling, analysere behandlingsrespons, forbedre kræftovervågning og undersøge adgang til behandling. Det gør feltet bredt, men ikke ubegrænset.

En praktisk måde at opdele brugen på er at se på, hvor i forskningskæden modellen indgår. Tidligt i kæden kan AI bruges til hypoteser og prioritering. Senere kan den bruges til måling, klassifikation eller risikoscorer. Tættest på patienter ændrer opgaven karakter, fordi output kan påvirke beslutninger om screening, diagnostik eller behandling.

Hvilke datatyper driver cancer-AI?

Cancer-AI afhænger af datatyper, der beskriver sygdommen på flere niveauer. De mest almindelige er radiologiske billeder, digital patologi, genomiske sekvenser, genekspression, enkeltcelledata, proteindata, lægemiddelscreeninger, laboratoriemålinger, kliniske journaloplysninger, registerdata og forskningslitteratur.

Hver datatype har sin egen fejlkilde. Billeddata kan variere med scannertype, farvning, opløsning og annotering. Genomiske data påvirkes af prøvekvalitet, sekventering, populationssammensætning og bioinformatisk pipeline. Kliniske data kan være ufuldstændige, uens kodet eller formet af lokale arbejdsgange.

Derfor er datakvalitet ikke et trin, der kan springes over. Et stort datasæt kan stadig give en svag model, hvis labels er upræcise, hvis testdata ligner træningsdata for meget, eller hvis modellen lærer indirekte signaler fra hospital, tidsperiode eller udstyr i stedet for kræftbiologi.

Hvordan hjælper AI med billedanalyse og screening?

AI bruges især i billedtunge dele af cancerforskningen, fordi røntgen, CT, MR, mammografi, koloskopi og patologisnit rummer store mængder visuel information. Modeller kan hjælpe med at opdage mønstre, segmentere væv, måle tumorområder eller markere fund, som en fagperson bør vurdere nærmere.

Det betyder ikke, at flere markeringer altid er bedre. NCI omtaler studier af computer-aided detection ved koloskopi, hvor AI-systemer fandt flere små polypper, men ikke øgede detektionen af advanced adenomas hos erfarne læger i de beskrevne studier. Eksemplet viser, at en teknisk forbedring skal kobles til et relevant klinisk endepunkt.

I forskning er billedanalyse stærkest, når opgaven er klart defineret: Hvad skal modellen finde, hvem har annoteret data, hvilke fejl er acceptable, og hvordan testes modellen uden for det miljø, hvor den blev trænet? Den samme disciplin gælder bredere for AI-billedgenkendelse, men cancerdata kræver ofte ekstra kontrol, fordi små fejl kan ændre fortolkningen af sygdomsstadie eller respons.

Hvordan bruges AI i genomik og tumorbiologi?

I genomik og tumorbiologi kan AI bruges til at analysere DNA, RNA, epigenetik, mutationer, genekspression og cellulære signalveje. Modeller kan hjælpe med at prioritere varianter, identificere molekylære undertyper, beskrive tumorheterogenitet eller forbinde biologiske mønstre med sygdomsforløb.

Cancer er særligt udfordrende, fordi en tumor ikke nødvendigvis består af én ensartet cellepopulation. Den kan rumme subkloner med forskellige mutationer, vækstegenskaber og behandlingsfølsomhed. AI kan hjælpe med at finde sådanne mønstre, men resultatet afhænger af, om data faktisk har opløsning nok til at skelne dem.

Derfor er sammenhængen til AI i genetisk forskning central. En model kan finde statistiske signaler i sekvenser og ekspressionsprofiler, men forskeren skal stadig vurdere biologisk plausibilitet, måleusikkerhed, populationsbias og om fundet kan genskabes i andre datasæt.

Hvad viser forskning i AI til lægemiddelrespons?

AI kan bruges til at undersøge, hvorfor patienter eller tumorceller reagerer forskelligt på kræftlægemidler. En dokumenteret nyere vinkel er single-cell-analyse, hvor forskere forsøger at se behandlingsrespons på celleklonniveau i stedet for kun at analysere gennemsnittet af en hel tumorprøve.

NCI beskrev i 2024 et proof-of-concept-værktøj, PERCEPTION, hvor forskere brugte transfer learning, bulk RNA-seq og single-cell RNA-seq til at forudsige respons og resistens. Ifølge NCI byggede forskerne modeller for 44 FDA-godkendte kræftlægemidler og testede tilgangen på publicerede datasæt fra patienter med blandt andet myelomatose, brystkræft og ikke-småcellet lungekræft.

Den praktiske pointe er ikke, at værktøjet er klar som almindelig klinisk beslutningsstøtte. NCI gengiver forskernes forbehold om, at single-cell RNA-seq stadig er dyrt og ikke bredt tilgængeligt i kliniske miljøer. Eksemplet viser i stedet, hvordan AI kan gøre tumorheterogenitet mere operationel i farmaceutisk forskning.

Hvor går grænsen mellem forskning og klinisk beslutningsstøtte?

Grænsen går ved formål, konsekvens og brugssituation. Et AI-system, der prioriterer hypoteser i et forskningsprojekt, er noget andet end et system, der påvirker diagnose, behandlingsvalg, screeningsopfølgning eller patientkommunikation. Den samme model kan derfor få en anden risikoprofil, hvis den flyttes tættere på kliniske beslutninger.

FDA beskriver AI i software som medicinsk udstyr som et område, hvor udvikling, deployment, brug og vedligeholdelse kræver styring gennem produktets livscyklus. I USA kan relevante systemer skulle vurderes gennem passende premarket pathways, afhængigt af formål og risiko. Det er ikke det samme som at sige, at al forskningssoftware er medicinsk udstyr.

I Europa giver AI Act en generel ramme for AI-systemer i EU med fokus på blandt andet sundhed, sikkerhed og grundlæggende rettigheder. Den konkrete vurdering afhænger af tilsigtet brug og øvrige regler, herunder regler for medicinsk udstyr. For en forskningsgruppe er den nyttige afgrænsning derfor at beskrive, om modellen kun skaber viden, eller om den forventes at påvirke en klinisk arbejdsgang.

Hvilke krav stiller cancer-AI til datakvalitet?

Cancer-AI stiller høje krav til datakvalitet, fordi modeller kan udnytte skjulte mønstre, som forskeren ikke ønskede at måle. Det kan være hospitalsspecifikke arbejdsgange, scannermærker, farveforskelle i patologisnit, manglende opfølgning, selektion i biobanker eller ændringer i behandlingsstandarder over tid.

NIH Common Funds Bridge2AI-program arbejder med AI-klare biomedicinske data og fremhæver ressourcer, værktøjer, standarder, træningsmaterialer og etisk indsamlede data. I praksis betyder det, at datasæt ikke kun skal være store. De skal også være velbeskrevne, pålidelige, genbrugelige og koblet til dokumentation om oprindelse, samtykke, målemetoder og begrænsninger.

Et konkret datadokument kan beskrive inklusionskriterier, eksklusionskriterier, annoteringsproces, manglende værdier, kendte skævheder, datadeling, adgangskontrol og versioner af analysepipeline. Uden den dokumentation kan en model være svær at reproducere, selv når resultaterne ser lovende ud.

Hvordan vurderes bias og repræsentativitet?

Bias i cancer-AI opstår, når data ikke dækker den virkelighed, modellen senere skal bruges i. Det kan handle om underrepræsenterede patientgrupper, bestemte kræftstadier, få hospitaler, geografiske forskelle, forskellige billedprotokoller eller skæv adgang til diagnostik og behandling.

Et gennemsnitligt performancetal kan skjule store forskelle. En model kan fungere godt samlet set, men fejle mere hos bestemte aldersgrupper, køn, etniske grupper, kræfttyper, sygdomsstadier eller scanningsmiljøer. Derfor bør evaluering opdeles i relevante undergrupper, når data og etik tillader det.

Arbejdet med håndtering af bias i AI bør begynde før modellen trænes. Du bør beskrive, hvem datasættet dækker, hvem det ikke dækker, hvilke fejltyper der kan ramme skævt, og om modellen er testet på data fra andre institutioner end træningsmiljøet.

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: passer mønstret med kendt cancerbiologi, eller kan det skyldes en skjult datalækage, et måleartefakt eller en lokal registreringspraksis?

Næste lag er ekstern validering. En model, der er trænet på data fra ét hospital eller én billedscanner, bør testes på andre miljøer, før resultatet beskrives som generaliserbart. Hvis modellen senere skal påvirke patienter, bliver prospektiv afprøvning og kliniske endepunkter centrale.

• Adskil træningsdata, valideringsdata og testdata tydeligt.
• Undersøg, om patient, prøve eller billedserie kan optræde i flere datasplit.
• Brug fejlmål, der passer til opgaven, ikke kun samlet nøjagtighed.
• Rapportér usikkerhed og kalibrering, især ved risikoscorer.
• Beskriv, hvilke anvendelser modellen ikke er valideret til.

Hvad kan generativ AI bidrage med?

Generativ AI kan støtte dele af forskningsarbejdet, hvor tekst, kode, struktur og søgning fylder meget. Den kan hjælpe med at udforme søgestrenge, forklare metodeudkast, sammenfatte ikke-følsomt materiale, foreslå analyseplaner, skrive kodeudkast eller gøre tværfaglige begreber mere forståelige.

I cancerforskning kan generative modeller også indgå i multimodale arbejdsgange, hvor tekst, billeder, molekylære data og kliniske oplysninger kombineres. Det er et lovende forskningsspor, men output skal kontrolleres. En sprogligt stærk forklaring kan indeholde forkerte referencer, skjulte antagelser eller upræcise biologiske sammenhænge.

Hvis generativ AI bruges tæt på sundhedsdata, ændrer kravene sig. Identificerbare eller indirekte identificerbare helbredsoplysninger bør ikke kopieres ind i generelle værktøjer uden godkendt grundlag, sikkerhed og databehandlerforhold. Det samme princip kendes fra bredere brug af ChatGPT i sundhedsvæsenet, men cancerforskning har ofte særligt følsomme kombinationer af genomik, diagnose og behandlingshistorik.

Hvad bør en forskningsgruppe afklare før brug?

En forskningsgruppe bør begynde med formålet. Skal AI bruges til hypotesegenerering, billedmåling, molekylær klassifikation, lægemiddelprioritering, litteraturarbejde eller beslutningsstøtte? Svaret bestemmer, hvilke data der er nødvendige, hvilke fejl der er acceptable, og hvor stærk valideringen skal være.

1. Formulér det præcise forskningsspørgsmål og den tilsigtede brug.
2. Kortlæg datakilder, datakvalitet, samtykke, adgang og kendte huller.
3. Vælg en baseline, så AI-modellens bidrag kan måles mod en enklere metode.
4. Planlæg ekstern validering, før resultatet beskrives som bredt anvendeligt.
5. Beskriv ansvar for modelversion, fejlrapportering, dokumentation og stopregler.

Den rækkefølge gør AI til en del af forskningsdesignet i stedet for et ekstra lag efter dataindsamlingen. Den gør det også lettere at afgøre, hvornår et værktøj stadig er et internt forskningsredskab, og hvornår det bevæger sig mod klinisk brug, produktudvikling eller regulatorisk vurdering.

Hvilke begrænsninger er vigtigst?

Den første begrænsning er, at AI kun kan lære af de data, den får. Hvis datasættet er skævt, ufuldstændigt eller svagt annoteret, kan modellen lære mønstre, der ikke repræsenterer sygdomsbiologi. Store datasæt reducerer ikke automatisk systematiske fejl.

Den anden begrænsning er fortolkning. Mange modeller kan forudsige et udfald uden at forklare den biologiske mekanisme. Det kan være nyttigt til prioritering, men svagere som videnskabelig forklaring. Hvis målet er at forstå kræftens udvikling, skal output kobles til eksperimenter, biologisk teori og uafhængige fund.

Den tredje begrænsning er overførbarhed. En model kan fungere i et bestemt forskningsmiljø, men miste kvalitet, når den møder andre patienter, scannere, laboratorier, behandlingsregimer eller registreringspraksisser. Derfor bør påstande om bred anvendelse altid bygge på dokumenteret ekstern validering.

Den mest robuste anvendelse er trinvis og kontrolleret. AI bør først bruges til at gøre et klart forskningsspørgsmål mere målrettet: finde relevante mønstre, reducere kandidatlister, prioritere prøver eller identificere hypoteser. Derefter skal resultatet testes med metoder, som andre forskere kan forstå og gentage.

I praksis betyder det, at AI-modellen bør ledsages af datadokumentation, kode- eller metodebeskrivelse, versionsstyring, uafhængig test, fejlanalyse og en klar forklaring af, hvad modellen ikke kan bruges til. Når den disciplin er på plads, kan teknologien give reel forskningsværdi uden at forveksle sandsynlige mønstre med dokumenterede kliniske konklusioner.

For læseren er hovedpointen enkel: kunstig intelligens kan gøre cancerforskning hurtigere, bredere og mere mønsterfølsom, men kun når data, validering og ansvar følger med. Uden de tre dele bliver modellen et usikkert signal i et felt, hvor forskellen mellem hypotese og evidens har direkte betydning.

Hvilke kilder ligger til grund?

Fremstillingen bygger især på National Cancer Institutes overblik over AI og cancer, NCI’s 2024-notat om PERCEPTION og lægemiddelrespons, NIH Common Funds Bridge2AI-program, FDA’s gennemgang af AI i software som medicinsk udstyr og EU-forordningen AI Act.