Algoritmer slukar data i djupa nätverk

Maskininlärning går ut på att programmera en dator så att den lär sig känna igen olika slags mönster via statistiska beräkningar. För att lyckas behöver datorn tillgång till stora mängder data.

Utvecklingen började redan på 1950-talet. Tidiga varianter lärde sig att känna igen vissa bokstäver och tecken men inte så mycket mer. Så småningom började forskare inom AI tvivla på de statistiska metoderna och satsade i stället på regler och logik. Det ledde snabbt till att datorer bland annat lyckades foga samman ord till begripliga meningar och slå människor i brädspelet dam – och till grandiosa förhoppningar om att AI inom kort skulle klara alla slags arbetsuppgifter bättre än människor.

De orimliga visionerna slutade i besvikelse. I början av 1970-talet stod det klart att datorerna visserligen kunde lösa vissa extremt renodlade uppgifter, men floppade stort i mötet med en mer komplicerad verklighet. De var helt enkelt för ointelligenta. Följden blev mindre pengar till AI-projekt och flera år av allmänt missmod, en period som fick namnet ”AI-vintern”.

Sedan dess har årstiderna växlat inom det breda forskningsfält som kallas artificiell intelligens. Gång på gång har perioder av storvulna visioner förbytts i utbredd pessimism.

Just nu befinner sig forskningen om AI i en utdragen värmebölja. Flera framgångar har skapat rubriker. Redan 1997 blev Deep Blue den första datorn som besegrade en regerande världsmästare i schack. Och år 2011 lyckades datorn Watson utklassa två mänskliga mästare i frågesporten Jeopardy. Något år senare ledde utvecklingen till att neurala nät plötsligt blev mycket bättre på att analysera mänskligt tal och – inte minst – bilder.

En av de största triumferna för AI hittills inträffade i mars 2016. I fyra av fem matcher besegrade datorn AlphaGo den regerande världsmästaren Lee Sedol i brädspelet go. Det var en större bedrift än att klå en schackmästare. I go är reglerna enkla men förflyttningarna extremt invecklade. Det sägs att antalet möjliga partier är långt större än antalet atomer i den synliga delen av universum.

Framgångarna bygger på genombrott inom en gren av maskininlärning som kallas djupinlärning. Tekniken fungerar ofta bra när det gäller att identifiera föremål på en bild. Här handlar ordet ”djup” inte om djupsinnigt tänkande, utan om att datorn gör statistiska beräkningar i nätverk med många lager, så kallade djupa nätverk. Förebilden finns i hjärnans olika lager av sammankopplade nervceller.

Tanken var att alla deltagare – såväl människor som maskiner – skulle bedöma flertalet varianter av pigmenterade fläckar som hudläkare undersöker till vardags. Arrangörerna tänkte sig att de många kategorierna skulle leda till svårigheter för datorerna. Så blev det inte.

– Det överraskade mig att människorna var så chanslösa, säger Harald Kittler.

Algoritmerna vann. Resultatet är omtalat inom dermatologin, som är läran om kroppens största organ, huden. Eftersnacket pågår fortfarande i vetenskapliga tidskrifter och diskussionsgrupper för dermatologer i sociala medier. Somliga anser att bilderna var för tillrättalagda. Därför har arrangörerna i den senaste upplagan av tävlingen även infört bilder med dålig skärpa och andra brister, liksom bilder av sällsynta förändringar utöver de sju kategorierna. Resultaten väntas bli klara i sommar.

En annan invändning är att tävlingssituationen var konstgjord. I verkligheten har läkare mer tid på sig än de tjugo sekunder per bild som reglerna medgav. Och i verkligheten kan en läkare ta in mycket mer information genom att undersöka hudfläckar med fingrarna och prata med sin patient.

Men i praktiken är det vanligt att experter bedömer hudförändringar utan direkt kontakt med patienten. Så kallad teledermatoskopi innebär att en doktor på en vårdcentral skickar bilder av en misstänkt hudförändring via nätet till erfarna hudspecialister, för att få hjälp med att bedöma om den är farlig eller inte.

Jan Lapins gör sådana bedömningar varje dag. Han har 30 års erfarenhet av att diagnosticera hudförändringar. Trots det lyckades han inte slå algoritmerna i tävlingens upprepade kraftmätningar. Maskinernas bedömningar var helt enkelt mer pålitliga än människornas.

– När det gäller att diagnosticera hudförändringar så tycker jag att den här händelsen påminner om när en dator vann över människan i brädspelet go, säger Jan Lapins.

Frågan är vilken roll AI-system kommer att få på hudkliniker. Jan Lapins tror inte att de kommer att ersätta människor inom den närmsta tiden. Däremot tror han att AI kan bli ett viktigt komplement, och i en avlägsen framtid kan han tänka sig att vanligt folk tar bilder av sina egna hudförändringar med mobilen och via AI får besked om något behöver kollas upp närmare. Men han anser inte att de appar som finns på marknaden i dag är tillräckligt pålitliga.

Utvecklingen väcker etiska frågor. En läkare som gör ett allvarligt misstag kan bli ställd inför Hälso- och sjukvårdens ansvarsnämnd och förlora sin legitimation. Vad händer om misstaget begås av en AI?

Och vad händer med läkarnas kompetens? Enligt Jan Lapins måste man träna varje dag i minst fem år för att bli riktigt bra på att diagnosticera hudförändringar. En dator med tillgång till en stor databas av bilder blir fullärd på några timmar. Det kan leda till att unga läkare hellre specialiserar sig på något annat. Å andra sidan kan vältränade algoritmer bidra till att fler människor får tillförlitliga diagnoser, i synnerhet i regioner där det är ont om specialiserade hudläkare.

Algoritmerna kan bara bli skickliga om de har tillgång till stora mängder bilder. Dagens databaser består främst av bilder på hudförändringar hos ljushyllta människor med europeisk härkomst. Hudcancer är mindre vanligt bland mörkhyade, men prognosen är ofta sämre på grund av sen upptäckt. Därför behövs fler träningsbilder från människor med olika pigmentering.

För att AI ska fungera i praktiken behövs också förtroende. Den mänskliga kontakten är viktig. En enkätundersökning från i fjol visar att 43 procent av svenskarna skulle lita på en medicinsk diagnos ställd av en artificiell intelligens – förutsatt att en människa också varit inblandad. Bara 8 procent skulle lita på en diagnos ställd enbart av AI.

Mina egna födelsemärken fick blandade resultat av AI. Ingen fläck blev tydligt klassad som elakartad, men en hade oroande hög sannolikhet för att vara basalcellscancer.

Jan Lapins tar fram ett dermatoskop, en kraftig lins med inbyggd belysning fäst vid ett handtag av metall. I ett undersökningsrum får jag ligga på en brits med lakan av papper i bara kalsongerna medan han metodiskt går igenom prick efter prick. Det tar ungefär tio minuter.

– Nej, jag ser inga som helst tecken på maligniteter, säger Jan Lapins till slut.

Maskininlärning i all ära. Den artificiella intelligensen må ha gjort ett genombrott. Men inget skingrar en gnagande oro bättre än känslan av att möta en doktor som verkligen kan sin sak.

Sedan 1990-talet slår maskiner de absolut bästa människorna på schack och sedan 2016 gäller det också det mycket intrikata spelet go. Här går den 19-åriga Ke Jieen en match mot Googles AlphaGo i Wuzhen 2017.

Här är de sju typer av hudförändringar som var med i tävlingen mellan AI och människa där det handlade om att ställa rätt diagnos. Aktinisk keratos, en ytlig cellförändring i överhuden på en kind. Oftast rodnade och fjälliga och när de som här är brunt pigmenterade kan de förväxlas med vissa typer av melanom. Dermatoskopiskt ses bruna linjer orsakade av pigmenterade fjäll. Basalcellscancer, den vanligaste typen av hudcancer som i detta fall är blågrått pigmenterad och kan då imitera malignt melanom. En morbus Bowen, en ytligt växande skivepitelcancer, som i detta fall är pigmenterad och därför kan imitera melanom. Dermatofibrom, en godartad bindvävsknuta, oftast lätta att känna igen men kan ibland likna maligna hudtumörer. Ett hemangiom, en godartad blodkärlsknuta, som i detta fall är blå i färgen och kan då ha vissa likheter med melanom eller pigmenterad basalcellscancer. Ett malignt melanom, den allvarligaste typen av hudcancer. Oregelbundet pigmenterad och strukturerad i brunt, blått och svart med en förtjockning centralt. Ett nevus, ett vanligt födelsemärke, med jämn struktur och färg.