30. september 2026
Jakob Ambsdorf arbejder for mere fair AI ved alle graviditetsscanninger
En graviditetsscanning skal besvare nogle af de vigtigste spørgsmål, en kommende forælder kan stille. Vokser barnet, som det skal? Er der risiko for, at det bliver født for tidligt? I DIREC-projektet FairFM arbejder forskere og virksomheder sammen om at udvikle AI, der kan hjælpe læger med at besvare de spørgsmål mere præcist – for alle patienter.
“Man ved aldrig, om man selv tilhører en af de underrepræsenterede grupper,” siger Jakob Ambsdorf, postdoc ved DIREC, som træner projektets modeller. “Det kan være, at din sygdom kommer til udtryk på en anden måde end normalt, eller at du ser anderledes ud end de patienter, modellen er trænet på. Eller det kan ganske enkelt være, at hospitalet bruger en anden scanner, og at du derfor får en mindre præcis diagnose.”
Jakob læste Human-Computer Interaction i Hamborg og blev fascineret af deep learning, da han skrev sit bachelorprojekt. Under sin kandidatuddannelse arbejdede han med humanoide robotter. Han fandt dem fascinerende, men de var stadig langt fra at kunne gøre en reel forskel i menneskers liv.
Da han fik mulighed for at arbejde i ExplainMe – det DIREC-projekt, der gik forud for FairFM – fulgte der en medicinsk anvendelse med, som han ikke tidligere havde arbejdet med.
“Som datalog er man nogle gange vant til bare at arbejde med datasæt. At se, at der faktisk er rigtige patienter, som får foretaget rigtige scanninger og får stillet rigtige diagnoser, gav mig en stærk følelse af formål med ph.d.-projektet. Det gør det stadig.”
At forudsige spontan for tidlig fødsel er en af de vigtigste opgaver inden for fostermedicin – og samtidig en af de sværeste. Når lægerne ved, at et barn risikerer at blive født for tidligt, er der meget, de kan gøre, men kun hvis de ved det i tide.
At estimere barnets vægt er en anden vigtig opgave. Et barn, der er for lille eller for stort i forhold til graviditetsalderen, har brug for en anden form for behandling og opfølgning. FairFM’s modeller er blevet anvendt til begge opgaver og bliver nu testet på samarbejdshospitaler rundt om i verden.
AI har været anvendt til medicinsk billeddiagnostik i flere år, men det samme problem bliver ved med at dukke op.
“Hvis vi træner en model på data fra ét hospital og flytter den til hospitalet ved siden af, præsterer den allerede lidt dårligere,” siger Jakob.
Foundation models kan være med til at ændre det. Traditionelle modeller lærer fra et mindre antal billeder, som eksperter har annoteret. Foundation models lærer først fra store mængder data uden mærkater og bliver derefter tilpasset en specifik klinisk opgave.
“På den måde kan vi få alle de data med, som normalt ikke kommer med i vores datasæt,” siger Jakob, “for eksempel en sjælden scannertype eller patientkarakteristika, som vi ikke ser så ofte.”
Ifølge Jakob er det netop samarbejdet mellem dataloger, klinikere og en virksomhed, der får projektet til at fungere:
“Vi kan gennemføre en undersøgelse og vise en effekt, men det ændrer ikke i sig selv den måde, patienterne bliver behandlet på. Det er i sidste ende gennem kommercialisering, at man skaber en reel effekt.”
Hvis modellerne holder, vil det forhåbentlig ikke længere betyde, at man får en mindre præcis scanning, blot fordi man er undtagelsen.
Projektpartnere i DIREC-projektet FairFM (Robustness and Fairness of Fetal Ultrasound Foundation Models) er Danmarks Tekniske Universitet, Københavns Universitet, Rigshospitalet og virksomheden Prenaital.
FairFM bygger videre på det tidligere DIREC-projekt ExplainMe.
