Kold gelé på maven, et let tryk med proben – og et bankende hjerte toner frem på skærmen. En ultralydsscanning kan lyde som en enkel tretrinsproces. I virkeligheden er det langt mere komplekst. Kvaliteten af en fosterscanning afhænger i høj grad af operatørens erfaring og den gravides individuelle fysiologi. Som følge heraf får nogle gravide kvinder en mere præcis vurdering end andre.
FairFM-forskningsprojektet søger at udligne denne forskel. Ved at udvikle AI-teknologi, der kan opdage og korrigere bias, har projektet til formål at sikre, at alle gravide – uanset baggrund eller biologiske forskelle – får lige adgang til tidlig og præcis fosterdiagnostik. Resultatet er ikke blot bedre data, men også større tryghed og retfærdighed i behandlingen.
Digital teknologi spiller en afgørende rolle i at gøre sundhedsvæsenet i stand til at levere behandlinger af konsekvent høj kvalitet til alle borgere. Gennem FairFM støtter DIREC et ambitiøst initiativ, der bygger bro mellem forskning, industri og offentlige institutioner og tilbyder en skalerbar løsning på en central samfundsudfordring.
FairFM udvikler AI-teknologi til systematisk at identificere og korrigere bias i medicinske billeddata. Projektet bygger på kraftfulde grundlæggende AI-modeller, der er trænet på ultralydsbilleder, med målet om at skabe robuste og retfærdige systemer, der kan levere præcise resultater for alle gravide – uanset operatørens erfaring eller patientens fysiologi.
Initiativet samler førende partnere fra DTU, Københavns Universitet, Rigshospitalet og AI-startuppet Prenaital i et forpligtende samarbejde. Side om side kombinerer de klinisk innovation med banebrydende teknologisk forskning og fremskynder vejen fra udvikling til praktisk implementering.
Ud over at forbedre den nuværende praksis sigter FairFM mod at sikre gennemsigtighed og ansvarlighed i AI-drevne beslutninger – og dermed styrke tilliden til teknologien blandt både klinikere og patienter.
 |
Aasa Feragen – Professor – Technical University of Denmark
|
 |
Mads Nielsen – Professor – University of Copenhagen
|
 |
Martin Tolsgaard – Professor in Obstretics and Fetal Medicine Specialist – Rigshospitalet
|
 |
Tanja Danner – CEO – Prenaital
|
From our point of view, a successful project results in software that we can use in our development and deployment process to detect, understand and mitigate performance disparities before our products are deployed in the clinic. A second relevant outcome would be a mechanism for flagging predictions with high probability of errors, either to inform the users or abstain from returning the associated recommendations – as a potential safeguard in our AI assistants.
Tanja Danner
CEO
Prenaital ApS
This project addresses a crucial challenge for our research on AI driven ultrasound screening: Robustness and fairness across demographic and clinical subgroups. It is well known that while AI models perform well on the datasets and subgroups that they are trained on, they often struggle to generalize to patient groups, scanners or other factors that are not prevalent in their training datasets. AI will only be a success in the clinic if clinicians and patients trust it to treat all patients fairly. We therefore strongly welcome this project, which aims to automatically detect and, if possible, mitigate performance disparities across any groups.
Martin Grønnebæk Tolsgaard
MD, PhD, DMSc, Professor, Fetal Medicine Consultant.
Department of Obstetrics, Copenhagen University Hospital, Rigshospitalet
