AICE

AICE - AI-supported picture analysis in large bowel camera capsule endoscopy

Horizon Europe-finansieret projekt der udvikler AI-algoritmer til automatisk billedanalyse ved colon kapselendoskopi (CCE) — et minimalt invasivt alternativ til optisk koloskopi — med 10 europæiske partnere.

  • Region Syddanmark
  • Odense Universitetshospital
  • Syddansk Universitet

Metadata

Hovedfunktion
Diagnosticering Beslutningsstøttende værktøj Klassificering
EU Regionalt
Sundhed
I brug
Sidst opdateret i databasen
5. maj 2026

Beskrivelse af systemet

I. Hvor bruges systemet og hvad bruges det til?

AICE er et Horizon Europe-finansieret projekt (grant 101057400) der udvikler AI-algoritmer og klinisk støtteinfrastruktur til automatisk analyse af billeder fra colon kapselendoskopi (CCE) som alternativ til optisk koloskopi. Projektet ledes af Region Syddanmark med OUH og SDU som centrale partnere og involverer 10 europæiske institutioner inkl. universiteter i Sverige, Spanien, Grækenland, Norge og Skotland samt Stratos AI og sundhed.dk.

II. Hvornår blev det implementeret?

Projektet løber fra september 2022 til august 2026 og er finansieret af Horizon Europe og UK Research and Innovation.

III. Hvordan gør systemet brug af kunstig intelligens?

Projektet anvender maskinlæringsalgoritmer til automatisk analyse og klassificering af billeder fra kapselendoskopi af tyktarmen. Algoritmerne undergår ekstern validering. Der udvikles desuden klinisk støtteinfrastruktur til datahåndtering og diagnostiske arbejdsgange.

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

Projektet anvender en stor og forskelligartet samling eksisterende patientdata fra landsdækkende kliniske studier. Der er ikke fundet yderligere oplysninger om træningsdatasættets præcise sammensætning.

V. Hvilke sikkerhedsforanstaltninger findes der?

Algoritmerne undergår ekstern validering som central kvalitetssikring. Projektet etablerer retningslinjer for klinisk integration. 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 bygger på eksisterende kliniske studier med kapselendoskopi. Der er ikke fundet oplysninger om specifikke forudgående pilotprojekter.

VII. Hvordan er begrundelsen for indføring af systemet?

Kapselendoskopi genererer store mængder billeddata der er tidskrævende at analysere manuelt. AI kan automatisere denne analyse og gøre metoden klinisk levedygtig som skånsomt alternativ til koloskopi.

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

ALIVE (PROJ-022): Anvender maskinlæring til billedanalyse af vævsprøver (lymfeknuder). DaiSiCaM (PROJ-023): AI til billedanalyse ved hudkræftdiagnostik. EUCanScreen (PROJ-021): EU-projekt der integrerer AI i kræftscreening på tværs af Europa.

IX. Demokratiske udfordringer

Automatiseret billedanalyse til gastrointestinal diagnostik rejser spørgsmål om ansvarsfordeling ved fejl. Den eksterne validering er positiv, men algoritmerne bør valideres på diversificerede datasæt for at undgå systematiske fejl over for visse patientgrupper.

Media