Mens du er på jobb eller lufter hunden, kan en kapsel undersøke tarmen din. Sammenlignet med alternativene er undersøkelsen bortimot fri for ubehag.
Det er mange grunner til å foretrekke en pillekameraundersøkelse fremfor tradisjonelle alternativer som og .
Det er bare én hake: Utfordringene som i over 20 år har hindret den fiffige teknologien fra å erstatte mer inngripende undersøkelser, har vist seg vanskeligere å få bukt med enn mange kanskje hadde håpet og trodd.
Her er to forskningsløp som skal endre på det – og forklaringen på hvordan de henger sammen.
Tarmen minutt for minutt
Kapselen bruker gjennomsnittlig åtte timer gjennom fordøyelsessystemet. I løpet av reisen har den tilbakelagt omtrent like mange meter og gjort opptak bestående av mer enn 50.000 bilder.
– Det sier seg selv at det å analysere en slik mengde data er et svært ressurskrevende arbeid, sier forsker Pål Anders Floor.
Han jobber ved Institutt for datateknologi og informatikk på NTNU i Gjøvik. De siste årene har han sett på muligheten for å bruke pillekameraet til å lage en tredimensjonal gjengivelse av tarmen.
– I kombinasjon med maskinlæring vil en 3D-rekonstruksjon raskt kunne lede spesialistens oppmerksomhet mot mulige sykdommer og andre avvik. På den måten trenger det ikke sitte noen å nistirre på pillekameraets langtekkelige ferd gjennom fordøyelseskanalen minutt for minutt, forklarer Floor.
Kamera i rykk og napp
I tillegg til å være tidkrevende, er sjansen for å overse sykdom heller ikke ubetydelig slik undersøkelsen foregår i dag.
Akkurat som maten du spiser, vil nemlig pillekameraet være i tarmens vold så snart du svelger det. Det betyr at kapselen kan stå helt stille i det ene øyeblikket, for så å skyte fart i det neste. I motsetning til et – som styres av en spesialist – tar pillekameraet seg heller ikke tid til å stanse og sørge for at det har fått gode nok bilder av en polypp før det haster videre.
– I noen tilfeller rekker det bare å ta ett enkelt bilde av sykdomsstedet i forbifarten, og på grunn av ujevn belysning, bobler og andre forstyrrende elementer er det ingen garanti for at det kommer tydelig fram på det ene bildet, sier Floor.
Det tror han kunstig intelligens og maskinlæring kan gjøre noe med.
Maskinlæring kan gjøre pillekameraene bedre
Bruken av maskinlæring har nemlig ført med seg flere gjennombrudd i oppdagelsen av sykdommer de siste årene, og mage- og tarmregionen er ikke noe unntak i så måte. Faktisk har datamaskiner allerede vist seg like gode eller bedre til å oppdage enkelte sykdommer basert på pillekamerabilder enn spesialister.
Datamaskinene har imidlertid fremdeles visse svakheter. De er for eksempel svært dårlige til å skjelne ulike sykdommer fra hverandre.
– Det skyldes blant annet mangel på data til å trene opp algoritmer med, forklarer forsker Anuja Vats.
Hun jobber ved samme institutt som Floor og har fordypet seg i hvordan maskinlæring kan gjøre pillekameraene bedre til å oppdage sykdommer til tross for mangelen på data.
Trene algoritmer med kunstig data
For maskinlæring krever data – store mengder data – og ettersom helseopplysninger omfattes av svært strenge personvernregler, kan ikke forskerne akkurat velge og vrake i pillekameraopptak. Opptakene som faktisk er tilgjengelige, viser dessuten som regel bare sykdommer i ett enkelt stadium. Skal man være helt sikker på at algoritmene faktisk fanger opp disse sykdommene, er man imidlertid avhengig av at de er trent på hele sykdomsforløpet.
– Hadde store mengder data vært lett tilgjengelig, ville det likevel krevd at vi la beslag på en rekke eksperter i lengre perioder for å kategorisere den for oss. Vi har derfor sett på muligheten for å trene opp algoritmene på kunstige data, forklarer Vats.
Laget kunstige bilder av tarmsykdommer
Som sagt så gjort: Ved hjelp av et såkalt maskinlæringsrammeverk utviklet av forskere fra den amerikanske skjermkortprodusenten Nvidia, har Vats og kollegaer nå laget en rekke kunstige bilder av et utvalg tarmsykdommer i ulike stadier.
Før de kunne mate pillekamera-algoritmene med resultatet, måtte de forsikre seg om at de var realistiske nok.
Spesialister på mage og tarm fikk se bildene, og de klarte i hovedsak ikke å skjelne hva som var ekte bilder og bilder utviklet av kunstig intelligens.
– Et av de store hindrene for å kunne lage et godt treningsprogram for kapselendoskopi, er mangelen på gode atlas med oversikt over sykdommer i ulike stadier. Disse resultatene åpner for at man kan utvikle slike atlas ved hjelp av kunstig genererte bilder, forklarer Vats.
Utfyller hverandre
Selv om tilnærmingene deres er forholdsvis ulike, tyder mye på at forskningen til Pål Anders Floor og Anuja Vats kan utfylle hverandre.
– Ved å kombinere maskinlæringsteknikker for å identifisere sykdommer og 3D-modeller av tarmen, vil vi få et verktøy som ikke bare bidrar til bedre og mindre ressurskrevende pillekameraundersøkelser, men som også kan benyttes i operasjoner, forklarer Floor.
Han ser for seg flere måter verktøyet kan bistå utøvende klinikere på.
– Ved å tillate kirurger å inspisere den individuelle pasientens tarm på forhånd, kan det blant annet brukes til å planlegge og øve i forkant av spesielt vanskelige inngrep. På den måten kan risikoen minske for at noe går galt, sier Floor.
Det kan være særlig relevant i lys av en ny studie fra statsuniversitetet i North Carolina. Der slås det fast at tarm ikke bare er tarm. Fordøyelseskanalens beskaffenhet og anatomi viser seg nemlig å variere mye, selv blant friske personer.
Til tross for lovende resultater understreker likevel begge forskerne at det fremdeles gjenstår arbeid før pillekameraene er der at de kan erstatte andre undersøkelser i ett og alt. Og kanskje er ikke det et mål i seg selv, heller.
– Det viktigste er å kunne tilby et alternativ uten ubehag til dem som vegrer seg mot mer inngripende tarmundersøkelser. Enkelte av disse er forbundet med så mye ubehag at mange rett og slett lar være å undersøke seg, sier Vats.
