Design and Integration of AI Solutions in Oncology and Healthcare Infrastructures
Bridging the Gap Between AI Innovation and Clinical Practice
Tid: To 2025-11-27 kl 09.00
Plats: T2 (Jacobssonsalen), Hälsovägen 11C, Huddinge
Videolänk: https://kth-se.zoom.us/s/69783079643
Språk: Engelska
Ämnesområde: Medicinsk teknologi
Respondent: Simone Bendazzoli , Medicinsk avbildning, Karolinska Institutet, Stockholm, Sweden
Opponent: Professor Maria Alejandra Zuluaga, EURECOM, Sophia Antipolis , Alpes-Maritimes, France
Handledare: Professor Rodrigo Moreno, Medicinsk avbildning; Docent Chunliang Wang, Medicinsk avbildning; Professor Örjan Smedby, Medicinsk avbildning; Doktor Maria Holstensson, Karolinska Institutet, Stockholm, Sweden
QC 2025-10-22
Abstract
Artificiell intelligens (AI) medför stora förändringar inom många områden, där hälso- och sjukvården framstår som ett av dem med störst potential. Inom medicinsk bildbehandling kan AI förbättra patientvården genom tidig detektion av sjukdom och individualiserad planering av behandling, samtidigt som den utgör ett stöd för kliniker genom att minska arbetsbelastningen och automatisera komplexa uppgifter, såsom analys av radiologiska bilder. Under det senaste decenniet har betydande framsteg gjorts inom medicinsk AI-forskning, vilket har lett till mycket noggranna och robusta modeller i kontrollerade experimentella miljöer.
Att införa dessa AI-verktyg i den dagliga kliniska praktiken har dock visat sig vara en utmaning. Trots många vetenskapliga genombrott används fortfarande endast ett fåtal AI-system inom klinisk rutin. Denna doktorsavhandling fokuserar på att förstå varför denna klyfta existerar och hur den kan överbryggas. Arbetet undersöker tekniska, organisatoriska och etiska hinder som fördröjer införandet av AI i vården, och föreslår nya strategier för att göra AI mer praktisk, transparent och pålitlig i kliniska miljöer.
Ett centralt resultat av denna forskning är MAIA, en plattform utformad för samarbete mellan kliniska läkare, radiologer och AI-forskare. MAIA erbjuder en gemensam miljö där experter kan utveckla och testa AI-verktyg under realistiska kliniska förhållanden. Genom att kombinera forskningsmetoder med vardagliga kliniska arbetsflöden bidrar MAIA till att påskynda överföringen från experimentella AI-modeller till kliniska verktyg. Plattformen har framgångsrikt implementerats både i forsknings- och sjukhusmiljöer, vilket visar att den effektivt kan integrera AI i medicinsk praxis.
Med denna plattform som grund presenterar avhandlingen också MONet, ett ramverk som underlättar anpassning och återanvändning av avancerade modeller för medicinsk bildsegmentering i olika vårdsammanhang. Ramverket möjliggör smidig integration av AI i olika kliniska miljöer, från federerat lärande mellan olika institutioner till smarta annoteringsverktyg baserade på en människa i loopen, vilket säkerställer att forskningsinnovationer effektivt kan överföras till verklig klinisk praktik.
Som ett metodologiskt bidrag undersöker avhandlingen dessutom hur anatomisk och kontextuell förkunskap kan införlivas i befintliga modeller för djupinlärning, med målet att förbättra modellernas tolkbarhet och anatomiska medvetenhet. Dessa metoder har utvärderats på olika kliniska uppgifter, såsom lunglobssegmentering på bröstkorgs-CT, prediktion av behandlingssvar vid bröstcancer och lymfomsegmentering på helkropps-PET/CT. Resultaten visar att betydelsen av anatomiska förkunskaper är uppgiftsberoende och kan variera avsevärt mellan olika kliniska kontexter.
Sammanfattningsvis syftar denna avhandling till att bidra till att minska klyftan mellan AI-forskning och klinisk tillämpning genom utveckling av infrastruktur för samarbete, anpassningsbara ramverk och metodologiska insikter som stödjer en pålitlig, transparent och effektiv integration av AI-teknologier inom medicinsk bildbehandling.