ALIVE
AI-projekt der udvikler en algoritme til automatisk klassificering af lymfeknodevævsprøver som lav- eller højrisiko (benign/malign) med henblik på at forbedre effektiviteten og præcisionen i kræftdiagnostik ved Patologisk Afdeling på OUH.
Beskrivelse af systemet
ALIVE er et AI-projekt der udvikler en maskinlæringsalgoritme til automatisk analyse og klassificering af lymfeknodevævsprøver som enten lavrisiko (benign) eller højrisiko (malign). Projektet foregår på Patologisk Afdeling ved Odense Universitetshospital i samarbejde med Institut for Matematik og Datalogi ved Syddansk Universitet og CAI-X. OUH analyserer ca. 25.000 lymfeknuder om året fra ca. 2.500 prøver. Projektet er finansieret af Beta.Health-innovationsplatformen, sponsoreret af Novo Nordisk Fonden.
Projektet løb fra 1. februar 2024 til 1. november 2024.
Projektet anvender maskinlæring til automatisk billedanalyse af digitaliserede lymfeknodevævsprøver som alternativ til traditionel mikroskopi. Algoritmen klassificerer vævsprøver i to kategorier: lavrisiko (benign) og højrisiko (malign). Den erstatter ikke patologen, men skal øge effektiviteten ved at prioritere og forbehandle de mange prøver. Den konkrete maskinlæringsmetode er ikke nærmere beskrevet i de tilgængelige kilder.
Algoritmen er udviklet og testet på lymfeknodevævsprøver fra Patologisk Afdeling på OUH, hvor der analyseres ca. 25.000 lymfeknuder om året fra ca. 2.500 prøver. Der er ikke fundet yderligere oplysninger om træningsdatasættets sammensætning.
Der nævnes ingen konkrete sikkerhedsforanstaltninger i de tilgængelige kilder. Systemet erstatter ikke den patologiske vurdering men understøtter den.
Projektet er i sig selv et udviklings- og testprojekt. Der er ikke fundet oplysninger om forudgående pilotprojekter.
Patologisk analyse af lymfeknuder er tidskrævende og afhængig af specialiseret ekspertise. Med ca. 25.000 lymfeknuder om året på OUH alene er der et betydeligt potentiale for at automatisere den indledende klassificering og dermed frigøre patologernes tid til de mest komplekse vurderinger.
EUCanScreen (PROJ-021): EU-projekt der ligeledes integrerer AI i kræftscreening og -diagnostik, bl.a. AI til brystkræftdiagnostik. DETECT-AI (PROJ-001): Anvender AI til billedanalyse af CT-scanninger. AI Mammo: Anvender mønstergenkendelse til analyse af mammografibilleder for at bistå i identificeringen af tumorvæv.
Automatiseret klassificering af patologiprøver rejser spørgsmål om ansvarsfordelingen ved fejldiagnosticering. Hvis systemet over tid rutinemæssigt godkendes uden tilstrækkelig patologisk kontrol, kan fejl have alvorlige kliniske følger. Algoritmer trænet på ét hospitals datamateriale kan desuden have reduceret præcision på andre patientpopulationer.
Bidrag til offentlig-ai
Har du supplerende oplysninger, ønsker du ændringer som projektejer eller vil du give et bidrag til offentlig-ai.dk og vores arbejde med at synliggøre AI i den offentlige sektor?
Bidrag med oplysninger til offentlig-ai.dkStøt forskningen finansieltÆndringshistorik (2 opdateringer)
Vis detaljer
Citér dette projekt
APA 7
Odense Universitetshospital & Syddansk Universitet & Region Syddanmark. (2024). ALIVE. I «Offentlig AI – Database over kunstig intelligens i den offentlige sektor». Tilgået 7. september 2026 fra https://offentlig-ai.dk/projekter/alive
Citér databasen
APA 7
Küçüksu, A., & Gyldenkærne, C. H. (2026). Offentlig AI - Kunstig Intelligens i det offentlige v2 [Data set]. Zenodo. https://doi.org/10.5281/zenodo.20660412