Kategorier
AI Health tech Nyheder

AI til kamp mod nyrekræft

2 juli 2024

AI til kamp mod nyrekræft: Reducerer overbehandling og sparer samfundet millioner

Hvert år gennemgår nyretumor-patienter store lidelser på grund af unødvendige biopsier og operationer. De nuværende diagnosticeringsmetoder lader meget tilbage at ønske. Derfor udvikler et forskerhold fra Københavns Universitet, Roskilde Universitet og Urologisk afdeling på Sjællands Universitetshospital en forklarlig kunstig intelligens (XAI), som skal hjælpe nyrelæger og patienter med præcise diagnoser.

Nessn Azawi med en CT-scanner, som bliver brugt ved scanninger af nyrekræft.

Nyrekræft er en af de mest overbehandlede kræftformer i Danmark. De tilgængelige scanningsbilleder er ofte upålidelige, og hver femte CT-skanning er falsk-positiv. Det betyder, at helt op til 27 procent af nyretumor-patienter gennemgår smertefulde biopsier og operationer uden at have kræft.

Derfor testes en nyudviklet AI-model lige nu på Sjællands Universitetshospital. Den er bedre end erfarne læger til at diagnosticere nyrekræft på baggrund af scanningsbilleder. Problemet er blot, at lægerne ikke forklare, hvorfor modellen konkluderer, som den gør. Det sætter en stopper for AI-modellens udbredelse.

I forsknings- og innovationsprojektet EXPLAIN ME, som er finansieret af Digital Research Centre Denmark, er et hold af forskere fra Københavns Universitet, Roskilde Universitet og Urologisk afdeling på Sjællands Universitetshospital i gang med at oversætte modellens konklusioner.

“Selvom det er fristende, kan vi ikke bare lade så store beslutninger være op til AI. Vi er nødt til at kende dens neurale mønstre ordentligt fra start, før vi kan bruge den i praksis,” siger Nessn Azawi, overlæge på Sjællands Universitetshospital, Urologisk afdeling og lektor på Københavns Universitet.

Store besparelser for samfundet

Som en del af projektet EXPLAIN-ME har Nessn Azawi og hans forskerteam siden 2022 forsøgt at skabe en forklarlig kunstig intelligens (XAI), som kan forklare nyrelægerne, hvornår en operation er nødvendig. Og ikke mindst hvorfor.

De 1000 danske patienter, der hvert år får nyrekræft, har sjældent symptomer, før kræften er fremskreden. Den store usikkerhed i diagnosticeringen betyder, at mange patienter overbehandles. Ifølge Nessn Azawi vil diagnosticering med AI kunne korte 2-4 uger af behandlingsforløbet og spare sundhedsvæsenet for omkring 15-25 millioner kroner årligt. De positive konsekvenser maksimeres, hvis teknologien udbredes til hele Norden.

“Vi overbehandler omkring 30.000 patienter med nyrekræft i de skandinaviske lande. Hvis vi kan forbedre diagnosen, vil det give markante positive afledte effekter. Både for samfundet og patienterne,” siger Nessn Azawi.

En tværfaglig øvelse

Allerede nu har forskerne testet AI-modellen på Roskilde Universitet med gode resultater. Den næste milepæl er at skabe en model med et mere detaljeret datasæt, som med solide argumenter kan hjælpe nyrelæger med at diagnosticere nyrekræft korrekt. Det har Ph.d.-studerende Daniel van Dijk Jacobsen fra Roskilde Universitets Institut for Mennesker og Teknologi arbejdet på de seneste to år.

“Det, der gør det svært er, at vi ikke ved, hvad modellen ser på, når den kommer frem til diagnosen. Det handler om på pixelniveau at finde den sammenhæng, som modellen ser. Og efterfølgende formidle det til lægerne,” siger han.

Derfor har det været nødvendigt at arbejde på tværs af fagligheder. Blandt andet med etnografiske observationsundersøgelser ved patientkontakt, participatorisk design og løbende samtaler med det medicinske personale på Sjællands Universitetshospital.

“Jeg oplever, at lægerne er begejstrede for at udforske de teknologiske muligheder, for de vil meget gerne have hjælp til mere præcis diagnosticering. De vil gerne kunne sammenholde patientens historik med maskinens diagnose og tage en beslutning på et bedre grundlag, end de kan i dag, siger Daniel van Dijk Jacobsen.

Ved at analysere CT-scanninger kan kunstig intelligens vurdere sandsynligheden for, om en tumor er ondartet eller godartet og hjælpe læger med at vurdere, om der er behov for en operation.

Lige nu søger forskerne flere midler, der kan understøtte målet om at implementere modellen på danske hospitaler inden for få år. DIREC har støttet EXPLAIN-ME-projektet med 7,39 mio. fra 2023-2025. kr. Ud over diagnosticering af nyrekræft fokuserer projektet på ultralydsscanninger af gravide og robot-kirurgi.

Hvad er forklarlig kunstig intelligens (XAI)?

Forklarlig kunstig intelligens handler om at forklare baggrunden for AI-modellers output og styrke tilliden til modellens beslutninger. Maskinlæringsmodeller bliver mere og mere komplekse. Samtidig bliver de i stigende grad brugt til at tage vigtige beslutninger. Med forklarlig kunstig intelligens kan brugeren bl.a. finde frem til, hvilke data modellen er trænet på og vurdere om outputtet er korrekt.

Kategorier
AI Health tech Nyheder

Nu skal AI være sundhedspersonalets ”lane assist” ved ultralydsscanninger af gravide

23. maj 2024

Nu skal AI være sundhedspersonalets ”lane assist” ved ultralydsscanninger af gravide

Efter to års arbejde har et hold af forskere på tværs af de danske universiteter skabt en kunstig intelligens, der kan bedømme kvaliteten af ultralydsscanninger af gravide på baggrund af input fra erfarne læger. Modellen skal agere assistent i sundhedssektoren, så kvaliteten af scanninger kan højnes. Ikke bare i Danmark, men også i udviklingslande.

Ultralydsscanninger af gravide er en svær kunst. Mange læger har viet deres arbejdsliv til at tage de helt rigtige billeder af fostre – blot ved hjælp af en lille sonde og en skærm.

Jagten på fosteranomalier sker under vanskelige vilkår. Ultralydsstråler, fedtlag og organer går ikke altid godt i spænd, og disciplinen bliver ikke nemmere af en ofte uklar billedkvalitet, som kan være svær at tolke på.

I dag er der stor forskel på kvaliteten af ultralydsscanninger af gravide, og der er evidens for, at erfaring hos de klinikere, der udfører scanningerne, korrelerer med, hvorvidt væksthæmning bliver opdaget. Det understreger behovet for at standardisere kvaliteten af ultralydsscanninger på tværs af klinikere og hospitaler. Her kan kunstig intelligens spille en stor rolle som en mentor for de mindre erfarne klinikere.

Læger træner algoritmen

Som en del af projektet EXPLAIN-ME har en gruppe forskere siden 2021 forsøgt at skabe en forklarlig kunstig intelligens (XAI), som er designet til at vejlede sundhedspersonale i at udføre højkvalitetsscanninger selv uden dybdegående ekspertise.

Et markant gennembrud i projektet har været udviklingen af en algoritme, der på baggrund af erfarne lægers kriterier for gode ultralydsscanninger er kommet op på et niveau, hvor den er lige så god som en erfaren kliniker til at udvælge gode scanningsbilleder fra en undersøgelse.

”Ultralydsscanninger kræver meget erfaring og specialiserede evner. Det er ret svært at få et godt billede. Det betyder, at der er stor forskel på kvaliteten af de screeninger, de forskellige hospitaler foretager. Vi håber på, at vores projekt kan udjævne kvalitetsforskellen,” siger Aasa Feragen, projektleder på EXPLAIN-ME-projektet og professor på DTU Compute.

Tæt parløb mellem praktik og teori

Med en effektiv AI-model og halvandet år til færdiggørelsen af projektet bliver næste skridt at finde ud af, hvordan modellen bedst kan kommunikere til sundhedspersonalet. En disciplin, som ofte bliver overset i forskerverden.

”Vi arbejder meget tæt sammen med læger og sonografer. Det er utrolig vigtigt, at vi som tekniske forskere får viden om, hvad det er der skal til, for at vores modeller kan rykke noget ude i samfundet,” siger Aasa Feragen.

Derfor har Ph.D studerende Jakob Ambsdorf fået unik adgang til sundhedspersonalet hos Copenhagen Academy for Medical Education and Simulation (CAMES) på Rigshospitalet for at for at forstå sundhedspersonalets behov.

“Jeg har tilbragt meget tid i klinikken på Rigshospitalet for at finde ud af, hvad personalet finder vanskeligt. Derfor ved vi nu, at sonografer ikke nødvendigvis har brug for hjælp til diagnosticering. De har brug for at forbedre deres billeder. Så i stedet for at forsøge at efterligne menneskelige beslutninger skal vi forbedre de omkringliggende faktorer. For eksempel kan vi anbefale dem at flytte sonden lidt til højre eller ændre nogle indstillinger, som gør, at billedet bliver klarere. Som en slags lane-assist til sonografer og læger,” siger han.

Kan udbredes til tredjeverdenslande

Med afslutningen af projektet i sigte i 2025, er det centrale mål at bygge ovenpå XAI-modellen, så den kan give mindre erfarent sundhedspersonale værktøjerne til selv at udføre avancerede scanninger. Ikke bare i Danmark, men i hele verden. XAI-modellen fra Københavns Universitet er allerede blevet testet med data fra Tanzania og Sierra Leone.

”På sigt kan man bruge modellen i områder, hvor der er begrænset adgang til udstyr af høj kvalitet, og hvor det er svært at finde specialiseret personale,” slutter Jakob Ambsdorf.

DIREC har støttet EXPLAIN-ME-projektet med 7,39 mio. kr. Ud over et fokus på ultralydsscanninger fokuserer projektet på diagnosticering af nyre-tumorer og robot-kirurgi.

Hvad er forklarlig kunstig intelligens (XAI)?

Forklarlig kunstig intelligens handler om at forklare baggrunden for AI-modellers output og styrke tilliden til modellens beslutninger. Maskinlæringsmodeller bliver mere og mere komplekse. Samtidig bliver de i stigende grad brugt til at tage vigtige beslutninger. Med forklarlig kunstig intelligens kan brugeren bl.a. finde frem til, hvilke data modellen er trænet på og vurdere om outputtet er korrekt.

Kategorier
AI Nyheder

Prisen går til…

13. december 2023

Prisen går til...

Ph.d.-studerende Axel Christfort og hans vejleder, lektor Tijs Slaats fra Københavns Universitet, vandt Process Discovery Contest ved konferencen “5th International Conference on Process Mining” med deres DisCoveR miner.

I en bemærkelsesværdig præstation vandt den ph.d.-studerende Axel Christfort og hans vejleder, lektor Tijs Slaats Process Discovery Contest ved konferencen “5th International Conference on Process Mining”.

Deres avancerede DisCoveR miner leverede de mest præcise modeller og udmærkede sig som den eneste algoritme, der formåede at fuldføre opgaver inden for opdagelse og klassificering inden for den tildelte tid.

Process discovery-algoritmer spiller en afgørende rolle i analyse af begivenhedslogfiler, idet de genererer menneskeligt læsbare modeller, der belyser adfærden registreret i loggen. Dette inkluderer en forståelse af, hvordan individer sekventerer aktiviteter i deres arbejdsprocesser. Konferencen ICPM, arrangørerne af Process Discovery Contest, evaluerer indsendelser baseret på nøjagtighed og kræver, at deltagerne udvinder modeller for en forskelligartet række logfiler og korrekt klassificerer tilhørende ground truth-traces.

Dette er den tredje pris i Process Discovery Contest til Process Modelling and Intelligence-gruppen fra Institut for Datalogi, Københavns Universitet. I 2021 sikrede de sig priserne for den bedste samlede og den bedste imperative miner – DisCoveR miner.

DisCoveR opstod fra en kandidatafhandling af Viktorija Sali og Andrew Tristan Parli, vejledt af professor Slaats. Algoritmen er blevet yderligere forfinet af industriel ph.d.-studerende Christoffer Olling Back fra ServiceNow, med løbende forbedringer af Axel Christfort. Danmarks Frie Forskningsfond, DIREC – Digital Research Centre Denmark og Innovationsfonden har ydet afgørende støtte til dette banebrydende arbejde.

Axel Christfort and Tijs Slaats udnævnes som vindere af Process Discovery Contest Winners

Den industrielle anvendelse af DisCoveR er blevet demonstreret gennem implementering af DCR Solutions. Algoritmens effektivitet og anvendelse er blevet valideret i virkelige scenarier, hvilket understreger dens betydning i praksis. Vedvarende bidrag fra ph.d.-studerende Vlad Paul Cosma og professor Thomas Hildebrandt har yderligere udvidet og forbedret mineren, hvilket har øget dens pålidelighed.

På sigt ser Process Modelling and Intelligence-gruppen frem til at bygge videre på disse resultater for at sikre yderligere finansiering og fremme nye samarbejder. Teamet er allerede ved at gøre sig klar til næste iteration af ICPM med det mål at fortsætte deres sejrstime og yderligere udvikle feltet inden for procesopdagelse.

FAKTA

Lektor Tijs Slaats er projektleder for DIREC-projektet ‘AI and Blockchain for comlex business processes’.

Sammen med virksomhedspartnere har projektet til formål at udvikle metoder og værktøjer, der muliggør, at industrien kan udvikle nye effektive løsninger til udnyttelse af den enorme mængde forretningsdata, der genereres af virksomheds- og blockchain-systemer, med fokus på værktøjer og ansvarlige metoder til brug af procesindsigter til forretningsintelligens og transformation.

Kategorier
AI Future of work Nyheder

Sværme af robotter indtager markerne – hvad skal der til for at sætte fart på udbredelsen?

21. november 2023

Sværme af robotter indtager markerne – hvad skal der til for at sætte fart på udbredelsen?

Danske landbrugere er klar til at tage nye teknologier i brug for at hjælpe den grønne omstilling på vej og sikre en smartere produktion. Multirobotsystemer er en vigtig del af løsningen – men først skal barrierer nedbrydes og børnesygdomme udryddes, så samspillet mellem landmand og robot kan foregå nemt og gnidningsfrit.

Selvkørende robotter erstatter dieseldrevne kæmpemaskiner. Multirobotsystemer gør det muligt for flere robotter at arbejde sammen i marken. Præcisionssprøjtning af gødning og pesticider nedbringer brugen af sprøjtegift.

Der er både miljømæssige og effektivitetsmæssige gevinster i at overlade arbejdet på markerne til robotter, og teknologi spiller en vigtig rolle for landbrugets grønne omstilling.

”Et af de store problemer i landbruget er, at landbrugsmaskinerne bliver større og større. Men når store maskiner kører hen over jorden, presser de jorden sammen, og man bruger meget energi på at udbedre de skader, de forvolder. Hvis man i stedet indsætter mindre, autonome robotter, kan vi øge effektiviteten uden at forårsage skade på miljøet.”
Anders Lyhne Christensen, Professor, SDU UAS Center

Udviklingen stiller nye krav til både teknologi og brugere. I HERD-projektet, som er finansieret i DIREC – Digital Research Centre Denmark, kombineres Aalborg Universitets ekspertise i design af brugergrænseflader, Syddansk Universitets robotviden og Copenhagen Business Schools (CBS) indsigt i markedsskabelse og forretningsmodeller med use cases fra en række virksomheder, som udvikler robotsystemer. En af disse virksomheder er AGROINTELLI, som er en dansk scaleup, der har udviklet en selvkørende platform, der kombinerer robotteknologi med enkle og robuste komponenter, hvilket resulterer i en omkostningseffektiv maskine, der er nem at integrere i landbruget.

Hos AGROINTELLI arbejder man målrettet på at nedbryde nogle af de barrierer, som i øjeblikket afholder flere landbrugere fra at adoptere de nye teknologier – en udfordring, som flertallet af feltrobotvirksomheder i EU støder på, fortæller R&D Manager Alea Scovill fra AGROINTELLI.

”Hvis landbrugeren ikke kan se, hvordan robotten passer ind på gården og kan anvende den uden den store instruktion, går salget tabt. Pris, robusthed, brugervenlighed er andre parametre, som spiller ind på udbredelsen og er en barriere for, at flere landbrugere tager robotterne til sig, fortæller Alea Scovill, som er i tæt dialog med de involverede forskere fra CBS.

CBS-forskernes rolle i projektet er netop at udforske de markedsmæssige udfordringer og kommercielle muligheder i teknologien, og hvad der skal til for at modne markedet. Blandt andet har ph.d.-studerende Alexandra Hettich interviewet forskellige interessenter så som salgspersonale og forhandlere, og hun skal i gang med at interviewe landbrugerne snarest.

”Landbruget er særligt interessant som domæne. Med introduktionen af robotter bliver landbrugerens arbejde markant ændret, og hindringerne for en vellykket implementering af denne banebrydende teknologi er forskellige af natur. Vi er derfor nødt til at analysere mangfoldigheden af hindringer, før vi udvikler konkrete løsninger til at overvinde dem”, fortæller Alexandra Hettich, Ph.d.-studerende på CBS.

Samarbejde afdækker flere sider af teknologien

Ifølge professor Anders Lyhne Christensen fra Syddansk Universitet, projektansvarlig for projektet, er resultaterne særlig interessante, fordi de kommer hele vejen rundt om teknologien og har fokus på både de teknologiske udfordringer, brugeroplevelsen og de kommercielle sider af landbrugsrobotter som forretningsområde.

”Hos SDU arbejder vi med multirobotsystemer og har fokus på, hvordan vi får robotterne til at gøre det, de nu skal og giver den information til brugeren, som brugeren skal have. Aalborg Universitet arbejder med brugergrænseflader og brugerinterface, fx hvordan brugerne kan følge med i, hvad robotterne har lavet, hvad de laver nu og fremadrettet. Altså: Hvordan giver man brugeren de rigtige knapper at skrue på. Endelig har CBS fokus på forretningsdelen hos virksomheder, som udvikler de her robotter, og hvilke forretningsmodeller, som kan være lovende for dem. Hvordan kan de tilgå markedet, og hvad sker der i den anden ende hos de organisationer, som skal anvende multirobotsystemerne, hvordan ændrer de sig?” forklarer Anders Lyhne Christensen.

Fokus er i høj grad på brugernes forståelse for og anvendelse af teknologien, uddyber han.

”Vi kan sagtens lave robotter og programmere dem til at gøre det og det, men at få dem ud at arbejde i den virkelige verden kræver, at mennesker kan styre dem. Det, vi arbejder med, er derfor hele samspillet mellem den AI, der sidder i robotterne, de mennesker, der skal styre robotterne og organisationerne omkring.”

”Det går ikke, hvis landbrugeren skal holde øje med robotten, imens den udfører opgaven – så er der ikke vundet særlig meget. Det er i stedet vigtigt at kunne overskue, hvad flere robotter gør på en gang.”

Det kan også være, at det ikke er landbrugeren selv, som skal overvåge robotterne, men et firma, som holder øje med robotter for 50 landbrugere ad gangen, og så ændrer det de pågældende organisationer, fordi der følger nye arbejdsfunktioner og ansvarsområder med teknologien.”

Alea Scovill er glad for samarbejdet med forskerne. Det fungerer godt, siger R&D-chefen.

”Informationsflowet mellem partnerne i projektet har været forholdsvis glidende. Hos Agrointelli har vi primært arbejdet sammen med CBS og AAU, fordi deres forskningsområder passer godt til vores situation. CBS undersøger markedshindringerne for Robotti. Og på AAU har forskerne udarbejdet et nyt forslag til en brugergrænseflade til fjernovervågning af flere robotter, og de vil snart interviewe en landbrugsskole om oplevelsen af den nye brugergrænseflade,” lyder det fra Alea Scovill.

OM HERD PROJEKTET

I HERD-projektet vil forskere sammen med industrielle partnere udvikle teknologier, der gør det muligt for slutbrugere at engagere og kontrollere systemer, der består af flere robotter. Systemer, der består af flere robotter vil øge værdien af industrielle produkter markant, da nuværende opgaver kan udføres hurtigere og til en lavere pris, og helt nye opgaver, der kræver flere koordinerede robotter, kan løses.

Projektperiode: 2021 to 2025
Budget: 17,08 millioner kr.
Partnere: SDU, Aalborg Universitet, CBS, AGROINTELLI, ROBOTTO og Teknologisk.

Mere om projektet

Kategorier
Afsluttet projekt AI Future of work Green Tech Nyheder

Forklarlig AI skal disrupte kornindustrien og sikre tillid blandt landbrugere

4. juli 2023

Forklarlig AI skal disrupte kornindustrien og sikre tillid blandt landbrugere

Landbrugssektoren er den mindst digitaliserede sektor i verden, og en stor del af kvalitetssikringen af fødevarer foregår stadig manuelt. Et forskningsprojekt skal styrke forståelsen for og tilliden til AI og billedanalyse, som kan forbedre kvalitetssikringen, fødevarekvaliteten og optimere produktionen.

En af de helt store kritiske barrierer ved at bruge AI og billedanalyse i landbrugs- og fødevareindustrien, er tilliden til, at det virker.
 
I dag er den manuelle visuelle inspektion af korn stadig en af de vigtigste kvalitetssikringsproducerer i hele værdikæden for at bringe korn fra marken til bordet – og sikre, at landbrugeren får den rigtige pris for sine korn.  

Can you find ‘Okapi’ in these pictures? Ph.D. student Lenka Tetková from DTU uses this example to explain how image classification works.

An important competitive advantage

As a global producer of niche products, FOSS must always stay two steps ahead of competitors.

– To ensure there is a market for us in the future, it is crucial to be the first with new solutions. It is challenging to make a profit if there is already a player doing it better, which is why we constantly introduce new digital technologies to improve our analysis tools. And here, collaboration with researchers from the country’s universities is very valuable to us, as we gain new insights and proposed solutions for the further development of our tools, says Erik Schou Dreier and continues:

– In this project, we hope that collaboration with researchers will lead to the development of AI methods and tools that enable us to create new solutions for automated image-based quality assessment and, secondly, that we can increase trust in our product with explainable AI. It is one of the critical themes for us—to create a product that is trusted.

Facts about FOSS

FOSS’ measuring instruments are used everywhere in the agriculture and food industry to quality assure a wide range of raw materials and finished food products.

Traditionally, light wavelengths are measured, and the measurements are used to obtain chemical information about a product. This can include knowledge about protein and moisture content in grains or fat and protein in milk, etc.

FOSS’ customers are large global companies that use FOSS’ products to quality assure and optimize their production—and to ensure the right pricing, so, for example, the farmer gets the right price for their grain.

Deep Learning and Automation of Imaging-based Quality of Seeds and Grains

Project Period: 2020-2024
Budget: DKK 3.91 million

Project participants:

Lenka Tetková
Lars Kai Hansen, Professor DTU
Kim Steenstrup Pedersen, Professor, KU
Thomas Nikolajsen, Head of Front-end Innovation, FOSS
Toke Lund-Hansen, Head of Spectroscopy Team, FOSS
Erik Schou Dreier, Senior Scientist, FOSS

What is a Deep Learning Neural Network?

Deep learning neural networks are computer systems inspired by how our brains function. It consists of artificial neurons called nodes organized in layers. Each node takes in information, processes it, and passes it on to the next layer. This helps the network understand data and make predictions. By training the network with examples and adjusting the connections between nodes, it learns to make accurate predictions on new data. Deep learning neural networks are used for tasks such as image recognition, language understanding, and problem-solving.

Kategorier
AI Health tech Nyheder

Hvordan bliver vi bedre til at udnytte kunstig intelligens i sundhedsvæsenet?

17. OkTOBER 2022

Hvordan bliver vi bedre til at udnytte kunstig intelligens i sundhedsvæsenet?

Danskerne efterspørger løbende nye og mere avancerede sundhedsydelser, i de kommende år bliver vi flere ældre med behandlingsbehov og får mindre ungdomsårgange, som skal tage sig af de ældre. Udfordringerne kalder på, at vi tænker anderledes, så vi i fællesskab udvikler et velfungerende sundhedssystem, som kan tilbyde de bedste behandlingsmetoder.

Brugen af kunstig intelligens er en vigtig del af løsningen, når der skal ressourceoptimeres og tænkes anderledes. Men er sundhedsvæsnet modent til at implementere de nye løsninger, og hvilke udfordringer opstår i mødet mellem den digitale forskning og dagligdagen på et travlt sygehus?

”Kunstig intelligens og maskinlæring kan forbedre måden, vi forebygger og diagnosticerer sygdomme, optimerer behandlinger, øger kvaliteten og fjerner fejl. Rigtig mange potentielle innovationer er på vej lige nu, mange er lovende forskningsbaserede AI-løsninger, og alligevel er det en udfordring at få dem testet og implementeret i sundhedssektoren, fortæller Thomas Riisgaard Hansen, direktør i Digital Research Centre Denmark (DIREC).

Hvad spænder ben for udviklingen, og hvor ligger de reelle udfordringer? Er det teknologien, som nærmer sig, men stadig er for fejlfuld og begrænset til reelt at skabe værdi i sundhedsvæsenet? Er det data og lovgivning, der besværliggør udviklingen af algoritmer? Er det sundhedsvæsenet, der har problemer med at indarbejde ny teknologi og ændre arbejdsgange? Er det mangel på ressourcer og penge? Eller ligger problemet et helt andet sted? Dette tema blev diskuteret på sessionen ‘How to navigate the challenges of implementing groundbreaking AI in the healthcare sector’ til dette års Digital Tech Summit.

”Det er en bunden opgave at få udnyttet de teknologiske muligheder i sundhedsvæsenet, men det kræver også, at vi ikke bliver forført af vilde løfter om, hvad teknologien kan, men i stedet arbejder målrettet på at udnytte de reelle muligheder og på at fjerne eller mindske de barrierer, der står i vejen,” siger Thomas Riisgaard Hansen, som selv har arbejdet med sundhedsinnovation i 20 år og var moderator på sessionen.

Han fik selskab af teknologivirksomheder, forskere, innovatører og sundhedsprofessionelle, som gav hver deres bud på, hvordan vi i fællesskab understøtter udviklingen af nye løsninger, som kommer patienter og personale til gode.

Seancen bød på tre konkrete cases om implementering af AI i sundhedsvæsenet:

Getting Access to Health Data and Ways to Leverage it in the Health Sector
Henrik Løvig, Enversion & Gitte Kjeldsen, Danish Life Science Cluster

Getting AI innovations implemented internationally
Mads Jarner Brevadt, Co-founder & CEO, Radiobotics & Janus Uhd Nybing, Ledende Forskningsradiograf, Bispebjerg og Frederiksberg Hospital samt Medstifter, Radiologisk AI Testcenter RAIT

Getting Research Implemented in the Daily Practices in a Hospital Setting
Mads Nielsen, Professor, KU and Ilse Vejborg, Head of Department, Rigshospitalet

Hver case tog afsæt i erfaringer med implementering af kunstig intelligens i sundhedsvæsenet og fremhævede de udfordringer og best practise, som man har identificeret set både fra teknologiudviklernes og ikke mindst de sundhedsprofessionelles øjne.

Sessionen blev arrangeret af DIREC, Pioneer Centre for AI, CBS, DTU, og Danish Life Science Cluster. 

Kategorier
AI Nyheder

Bredt universitetssamarbejde: Kunstig intelligens skal forudsige programmeringen af robotter hos Universal Robots

Bredt universitetssamarbejde: Kunstig intelligens skal forudsige programmeringen af robotter hos Universal Robots

Robotter genererer et hav af data, som man kan bruge til at optimere processer og forudsige slid. Forskere på Syddansk Universitet skal i et nyt projekt hjælpe Universal Robots med at udvikle AI-systemer, som kan være med til at forudsige, hvordan man optimerer programmeringen af robotterne.

Den Odense-baserede robotproducent Universal Robots har, siden de startede i 2008, solgt mere end 50.000 af deres samarbejdende robotarme, kaldet cobots. De har dermed skabt en hel industri for cobots, som giver virksomheder mulighed for at automatisere processer i produktionen, når der skrues, svejses, limes eller lignende. 

En arbejdsstation, der styres af en robotarm, genererer et hav af data, som man kan bruge til at optimere processer eller til at forudsige slid på maskinen. Et samarbejde med Syddansk Universitet skal hjælpe Universal Robots med at udvikle it-værktøjer, der kan behandle de data, der er på robotten, og dermed udvide data med værdiskabende information for deres kunder. 

“Der er rigtig mange data, så det er vigtigt at få gjort data tilgængelige på en brugbar og anvendelig måde for vores kunder. Det kræver, at du ved, hvad du har af muligheder, at det er nemt at anvende, og vigtigst af alt at det i sidste ende hjælper dig til bedre at løse de opgaver og udfordringer, der er vigtige for din virksomheds processer. Derfor er det vigtigt, at den information, der kommer ud, er af en sådan kvalitet, at man kan tage handling på den og dermed ændre sin adfærd,“ siger Morten Boris Højgaard, Innovation Lab Manager hos Universal Robots.

Kan optimere driften

De data, der bliver opsamlet, udgør et stort potentiale, som kan optimere den stabile drift af robotterne. Data kan nemlig give vigtig feedback på, om du bruger robotten forkert, og om der er risiko for, at robotten ikke kan udføre opgaven. 

Det kan give anledning til nogle adfærdsændringer, så du som virksomhed lærer noget om din robot og i sidste ende også får mere ud af din robot. Det kræver bare, at der bliver lavet nogle gode løsninger, der er nemt tilgængelige og anvendelige for slutbrugeren.

“Det er et stort område, og der ligger noget forskning og udvikling i at komme frem til de gode værktøjer, som kan det her. SDU kan give os adgang til den nyeste viden, og de er eksperter i at designe de softwareløsninger. Omvendt kan vi bringe noget kontekst fra markedet,” forklarer Morten Boris Højgaard.

Skal afvikles tæt på robotten

Fra SDUs side er professor Mikkel Baun Kjærgaard særligt interesseret i at udvikle AI-systemer, som kan være med til at forudsige, hvordan man optimerer programmeringen af robotterne. Systemet skal designes, så det kan afvikles tæt på robotten, da robotterne som standard af sikkerhedsmæssige årsager ikke er koblet op på skyen. Det er afgørende for, hvordan man kan afvikle algoritmerne.

“Mere specifikt vil vi godt arbejde med, hvordan vi kan udnytte kunstig intelligens til at processere de her data, så vi kan lave forudsigelser og vedligehold. Vi skal samtidig kunne afvikle det tæt på udstyret, da der kan være nogle begrænsninger i forhold til datasikkerhed, der gør, at man ikke kan sende data op i skyen. Det kræver nogle andre softwareteknologier kontra den normale model, hvor man sender det op i skyen,” forklarer professor Mikkel Baun Kjærgaard fra Mærsk Mc-Kinney Møller Instituttet, Syddansk Universitet.

Samarbejde kan give forspring

Samarbejdet mellem Universal Robots og Syddansk Universitet er det første “Bridge-projekt”, som foregår i regi af DIREC, der er et nyt partnerskab mellem syv universiteter og Alexandra Instituttet. Det er støttet af Innovationsfonden og har til formål at udbygge kapaciteten inden for forskning og uddannelse i digitale teknologier i Danmark.

Dette første projekt er et godt eksempel på, at universiteter og virksomheder har forskellige former for ekspertise, som de kan drage fælles nytte af, lyder det fra Thomas Riisgaard Hansen, der er managing director for DIREC.

“Du kan godt have en hypotese om, at en algoritme kan udføre en bestemt opgave, men reelt set ved du det ikke som virksomhed. Men det er der sikkert nogle forskere, som har arbejdet med. På den måde kan du få et enormt forspring som virksomhed, fordi du ikke skal lave alle eksperimenterne selv. Omvendt har man som forsker også behov for at få kendskab til, hvad det egentlig er for nogle problemstillinger, som man har i samfundet. Det giver en naturlig prioritering af, hvad der er interessant at arbejde med, ” forklarer han.

Fakta om Bridge-projektet:

Projektet er det første “Bridge-projekt”, der foregår i regi af DIREC, der er et nyt partnerskab mellem syv universiteter og Alexandra Instituttet, som skal udbygge kapaciteten inden for forskning og uddannelse i digitale teknologier.

I projektet arbejder man med forskellige cases og på tværs af universiteterne i forhold til udvikling af teknologier. Ud over samarbejdet mellem Syddansk Universitet og Universal Robots, så arbejder IT-Universitetet i København på cases med Novo Nordisk og Energinet. DTU arbejder på en case med virksomheden Octavic.

I projektet kigger man på alt det udstyr, som hjælper os med at holde vores energi- og industriproduktion i gang. Man vil gerne have, at det kører så stabilt som muligt. Her vil man gerne udnytte de data, som man indsamler, til at foretage bedre vedligehold af udstyret, der bygger på forudsigelser, således at det kører mere stabilt.

Fakta om Universal Robots (UR) 

Universal Robots har som mål at forbedre arbejdsformer gennem sin førende robot-platform. Siden introduktionen af den første kollaborative robot, også kendt under betegnelsen cobot, i 2008, har Universal Robots udviklet en bred portefølje med modellerne UR3e, UR5e, UR10e og UR16e med varierende rækkevidde og løfteevne. Hver model er understøttet med et bredt udvalg af tilbehør og software i UR+økosystemet. Dermed kan UR cobots anvendes i en bred vifte af industrier og på fleksibel vis tilpasses forskellige opgaver. Universal Robots, som er ejet af amerikanske Teradyne inc. har hovedsæde i Odense og kontorer i en lang række lande inklusiv USA, Tyskland, Frankrig, og Indien. Universal Robots har solgt over 50.000 cobots globalt. Læs mere på www.universal-robots.com 

Yderligere info:

Morten Boris Højgaard, Innovation Lab Manager hos Universal Robots, +45 51 77 73 54, mbho@universal-robots.com

Mikkel Baun Kjærgaard, professor ved Mærsk Mc-Kinney Møller Instituttet, Syddansk Universitet, +45 21 97 24 47, mbkj@mmmi.sdu.dk

Thomas Riisgaard Hansen, managing director for DIREC, +45 29 40 33 97, thomas.r.hansen@direc.dk