Kund: Ledande europeiskt universitetssjukhus
Bransch: Medtech & Life Science
Lösningsområde: AI, Medical Image Analysis
Från manuella pixlar till AI‑drivet stöd
Inför behandling av patienter med hjärntumör behöver specialister rita in tumörvolymen manuellt i bild efter bild. Det är minutiöst, nödvändigt och tar många timmar per patient.
När samma arbete dessutom krävs för stora forskningsstudier blir det snabbt en flaskhals. Antalet patienter som kan inkluderas begränsas, analyser tar längre tid och vägen från hypotes till publicerad forskning blir onödigt lång.
Här såg universitetssjukhuset en tydlig möjlighet. Kan AI ta hand om den mest repetitiva delen av jobbet, så att läkarna kan lägga tiden där den gör mest nytta?
AI‑modellerna som ser det klinikerna behöver
HiQ tog ett helhetsgrepp på den tekniska lösningen – från datahantering till modellutvärdering, i nära samarbete med forskare och kliniker.
Tillsammans definierade vi datamängder, annoteringar och kvalitetsmått så att varje test gick att följa upp och jämföra. Utifrån detta byggde vi flera avancerade AI‑modeller som automatiskt identifierar och avgränsar tumörer i hjärn‑MR.
Varje modell optimerades för olika styrkor, till exempel känslighet för små förändringar i hjärnvävnaden, robusthet mot brus och varierande bildkvalitet samt stabilitet över olika patientfall och protokoll.
När en av modellerna tydligt presterade bättre än de andra tog teamet nästa steg, att kombinera flera nätverk i en ensemble. Genom att låta modellerna ”rösta” på tumörgränserna kunde vi ytterligare höja träffsäkerheten och få en mer robust segmentering. gick projektet från idé till en fungerande prototyp.
Resultat som flyttar fram positionerna
Utvärderingen visade att samtliga modeller presterade väl, med en tydlig toppkandidat, dessutom med ännu bättre precision än någon enskild modell.
Samtidigt är ribban för kliniskt införande inom neuroradiologi och onkologi mycket hög, vilket är fullt rimligt. Noggrannheten är ännu inte där den behöver vara för fullskalig användning i vårdens vardag, men riktningen är tydlig. Universitetssjukhuset har fått en konkret uppsättning modeller och en kodbas att vidareutveckla, och forskargruppen har en strukturerad metod för hur AI-segmentering kan utvärderas mot etablerade arbetssätt.
Nästa steg mot kliniskt beslutsstöd är kartlagt med fokus på större datamängder, bredare validering och integration i befintliga system.
En ny standard för framtidens vård med avancerad bildanalys
Det här är inte ett labbexperiment i ett hörn av organisationen. Det är ett praktiskt bevis på hur AI kan ta plats i vårdens mest känsliga beslutsflöden – utan att stjäla kontrollen från klinikern.
När segmenteringen automatiseras och standardiseras kan vården:
- frigöra värdefull specialisttid
- öka antalet patienter i forskningsstudier
- få mer konsekventa och jämförbara volymer över tid
- korta vägen från bilddata till analys och beslut.
För patienten betyder det snabbare besked, mer träffsäkra behandlingar och en vård där avancerad teknik faktiskt märks i mötet – inte bara i presentationsbilder.
AI som låter experterna fokusera på det som verkligen räknas
Projektet visar vad som händer när djup medicinsk kompetens möter HiQ:s styrka inom mjukvara, data och AI. Vi bygger inte ”AI‑features” för att kunna prata om dem – vi bygger verktyg som kliver in i skarpa flöden, klarar granskning och går att skala.
När ett ledande universitetssjukhus vågar släppa in AI i analysen av hjärntumörer, och gör det tillsammans med oss, sätter det tonen för hur nästa generation MedTech‑lösningar kommer att se ut.
Nyfiken på hur ni kan frigöra tid och öka precision med AI? Hör av dig!
