I dagens medicinska utbildning är tillgången till varierade och högkvalitativa bildexempel ofta en utmaning. Lärare behöver lägga mycket tid på att hitta lämpliga fall och anonymisera bilder för att använda dem som undervisningsmaterial, vilket begränsar möjligheterna att ge studenterna en djup och bred förståelse för olika medicinska tillstånd. För att möta detta behov har Sectra och Linköpings universitet startat ett gemensamt projekt inom plattformen MeDigIT. Projektet undersöker möjligheten att skapa syntetiska medicinska bilder som kan fungera som ett värdefullt komplement till verkliga bilder i utbildningssammanhang.
”Vi vill hjälpa både vårdgivare och vårdtagare genom att förbättra utbildningen och ge framtidens läkare en bredare erfarenhetsbas,” berättar Karin Stacke, forskare på Sectra.
Varför syntetiska bilder?
Projektets huvudmål är att skapa en bred tillgång till bildexempel som möter utbildningsbehovet. ”Det saknas ofta tillräckligt många varierade fall för utbildning, och lärarna behöver exempel som belyser olika medicinska tillstånd från flera perspektiv,” förklarar Stacke. Genom att använda datadriven teknik hoppas projektteamet kunna generera syntetiska bilder som fyller dessa luckor och erbjuder den variation som idag är svår att uppnå. ”Vi vill inte ersätta verkliga bilder utan skapa ett värdefullt komplement för att ge studenterna fler möjligheter att träna,” tillägger Stacke.
En viktig målsättning är att de syntetiska bilderna ska hålla så hög kvalitet att det blir svårt även för experter att skilja dem från verkliga bilder. Stacke och hennes team strävar efter att skapa bilder med hög variation, där de också kan styra innehållet för att möta specifika utbildningsmål. ”Vi är hoppfulla om att vi kan lyckas med detta, men utmaningen ligger i att skapa tillräckligt verklighetstrogna och varierade bilder som tillgodoser olika utbildningsbehov,” säger Stacke.
Samarbete mellan Sectra och Linköpings universitet
Projektet genomförs i nära samarbete mellan Sectra och Linköpings universitet. Universitetets grupp, under ledning av Gabriel Eilertsen, biträdande universitetslektor och docent, ansvarar för metodutvecklingen som ska säkerställa att bilderna uppfyller tekniska kvalitetskrav. Karin Stacke leder det datadrivna analysarbetet och ansvarar för tillgången till relevant data som ska användas i projektet. Dessutom samarbetar projektteamet med Sectra Education, som hjälper till att utvärdera användbarheten av bilderna och att säkerställa att de fyller ett pedagogiskt syfte. ”Vi hoppas att tekniken ska bidra till att förbättra inlärningsupplevelsen,” förklarar Stacke.
Under 2024 är målet att ta fram en fungerande prototyp för syntetisk bildgenerering. I början av 2025 planeras en större utvärdering där feedback från lärare ska samlas in, projektet avslutas i juni.
Framtidsvision: datadriven förbättring av medicinsk utbildning
Projektet bygger på en datadriven metodik, där analyser av data från syntetiska bilder kan ge insikter om vilka utbildningsmetoder som fungerar bäst. ”Om vi kan analysera den data som genereras kan vi dra slutsatser om vad som fungerar bra och mindre bra inom utbildningen,” förklarar Stacke. På sikt kan denna teknik hjälpa vårdgivare genom att ge dem bättre verktyg för att förbättra patientvården.
Bilderna som skapas i projektet är endast tänkta för utbildningsändamål och inte för att träna AI-modeller. Säkerhetsfrågan har varit central i projektet, och man använder enbart anonymiserade bilder med fokus på högupplösta cellbilder av vanliga diagnoser, som bröstcancer. ”Vi ser det som ett komplement för att ge fler exempel och större variation i utbildningen, men patientsäkerheten är alltid högsta prioritet,” avslutar Stacke.