AI-RAPTOR

AI-RAPTOR - Artificial Intelligence for Radiological Assistance for Pulmonary and ThOracic analysis in tumor Recognition and screening

PhD-forskningsprojekt der udvikler en AI-algoritme til detektion af potentielt maligne lungeforandringer på lavdosis-CT-scanninger med henblik på at understøtte lungekræftdiagnostik og -screening i Danmark.

  • Odense Universitetshospital
  • Region Syddanmark
  • Syddansk Universitet

Metadata

Hovedfunktion
Diagnosticering Beslutningsstøttende værktøj Klassificering
Regionalt
Sundhed
Lukket
Sidst opdateret i databasen
5. maj 2026

Beskrivelse af systemet

I. Hvor bruges systemet og hvad bruges det til?

AI-RAPTOR er et PhD-forskningsprojekt ved OUH der udvikler en AI-algoritme til automatisk detektion og klassificering af potentielt maligne lungeforandringer på lavdosis-CT-scanninger (LDCT). Systemet kombinerer billedanalyse med patientdata (alder, rygehistorik, sygehistorie) og præsenterer diagnostiske fund til radiologens gennemsyn. Projektet er forankret på Thoraxkirurgisk, Lungemedicinsk og Radiologisk Afdeling på OUH i samarbejde med SDU og Region Syddanmarks Regional IT.

II. Hvornår blev det implementeret?

Projektet løb fra januar 2023 til december 2025 og var finansieret af Det Frie Forskningsråd (DFF) og Region Syddanmarks Regionale Innovationsfond.

III. Hvordan gør systemet brug af kunstig intelligens?

Systemet anvender maskinlæringsalgoritmer til automatisk detektion og klassificering af lungeknuder og andre pulmonale forandringer på lavdosis-CT-scanninger. Algoritmen integrerer billeddata med kliniske patientdata (alder, rygehistorik og medicinsk baggrund) og genererer diagnostiske fund til radiologens vurdering. Den konkrete arkitektur er ikke nærmere beskrevet i de tilgængelige kilder.

IV. Hvilke data er blevet brugt til at træne algoritmen?

Algoritmen er udviklet og valideret på to datasæt: ca. 5.000 anonymiserede CT-scanninger fra diagnostiske lungekræftudredninger og Dansk Lungekræftregister, samt ca. 15.000 anonymiserede scanninger fra det danske kardiovaskulære screeningsforsøg DANCAVAS (2014–2017).

V. Hvilke sikkerhedsforanstaltninger findes der?

Systemet er designet til at understøtte — ikke erstatte — radiologens diagnostiske vurdering. Data er anonymiseret inden brug. Der er ikke fundet yderligere oplysninger om sikkerhedsforanstaltninger.

VI. Har systemet været afprøvet gennem f.eks. pilotprojekter? Blev der identificeret konkrete (etiske, juridiske, tekniske) udfordringer? Blev disse udbedret? Hvordan?

Projektet er i sig selv et forsknings- og udviklingsprojekt. Der er ikke fundet oplysninger om forudgående pilotprojekter.

VII. Hvordan er begrundelsen for indføring af systemet?

Lungekræft opdages ofte sent, hvilket reducerer overlevelseschancerne markant. AI-understøttet analyse af lavdosis-CT-scanninger kan fremskynde diagnostikken og reducere tiden fra billeddannelse til diagnose, hvilket potentielt kan forbedre prognosen for lungekræftpatienter i Danmark.

VIII. Er lignende systemer blevet implementeret andres stede? Eventuelt, hvilke erfaringer er der derfra.

DETECT-AI (PROJ-001): Anvender ligeledes AI til analyse af CT-scanninger af brystkassen — her til detektion af koronararterieforkalkninger. Begge projekter udnytter eksisterende CT-skanningsdata til nye diagnostiske formål. EUCanScreen (PROJ-021): EU-projekt der forbereder implementeringsrammer for bl.a. lungekræftscreening på europæisk plan.

IX. Demokratiske udfordringer

AI-algoritmer til lungekræftscreening trænet på specifikke hospitalspopulationer kan have reduceret præcision på andre demografiske grupper. Anvendelse af DANCAVAS-data (kardiovaskulær screening) til lungekræftdetektion rejser spørgsmål om sekundær anvendelse af data til formål ud over det oprindeligt tilsigtede.

Media