Af Dr. Marco Vinicio Benavides Sanchez

Kunstig intelligens (AI) revolutionerer medicinens verden, og et nyligt gennembrud viser, hvordan AI kan opdage lungeskader forårsaget af cementstøv. Ved hjælp af avanceret billeddiagnostik og en særlig algoritme – kaldet Kolmogorov-Arnold Networks (KAN) – kan skader på lungerne identificeres med høj præcision, endda før symptomerne viser sig.

Hvorfor er cementstøv farligt?

Cement er uundværligt i byggebranchen, men dets støv kan være sundhedsskadeligt, især for dem, der arbejder dagligt med materialet. Langvarig indånding af cementstøv kan føre til kronisk bronkitis, KOL eller endda lungefibrose.

Problemet er, at disse sygdomme ofte opdages for sent. Almindelige røntgenbilleder er ikke følsomme nok. I stedet anvendes kvantitativ computertomografi (QCT), som giver detaljerede 3D-billeder af lungerne.

Men disse billeder genererer store mængder data, som er vanskelige at analysere manuelt. Her kommer kunstig intelligens ind i billedet.

Hvad er Kolmogorov-Arnold Networks?

Kolmogorov-Arnold Networks er inspireret af matematiske teorier, der gør det muligt at analysere komplekse funktioner gennem enkle elementer. I modsætning til traditionelle neurale netværk er KAN forklarbare og gennemsigtige. Det betyder, at læger ikke kun får et svar, men også en forståelse for, hvordan og hvorfor modellen når denne konklusion.

Det er en kæmpe fordel i klinisk praksis.

Undersøgelsen: 609 patienter og AI

Et koreansk forskerhold analyserede QCT-scanninger fra 609 personer – 311 arbejdere udsat for cementstøv og 298 raske personer. De udtrak over 140 målinger fra hver scanning: luftvejstykkelse, lungevolumen, vævstæthed og mere.

Resultaterne med KAN var imponerende:

• Nøjagtighed: 98.03%
• Sensitivitet: 98.70%
• Specificitet: 97.40%
• F1 Score: 98.01%

Modellen overgik alle andre testede AI-metoder.

Forklarlig AI med SHAP

Forskerne brugte også SHAP, et værktøj der viser hvilke faktorer modellen vægtede mest. De vigtigste indikatorer for lungeskade var:

• Fortykkelse af bronkievægge
• Mindsket lungevolumen
• Ændret vævstæthed i bestemte områder

Dette gør det muligt for læger at validere og forklare AI’ens output.

Hvad betyder det for arbejdsmiljøet?

Denne teknologi kan revolutionere sundhedstjek i arbejdsmiljøer med støv. En enkel QCT-scanning kan identificere begyndende lungeskader og sætte ind før permanente skader opstår.

Tiltag som arbejdsomlægning, forbedret beskyttelse eller medicinsk behandling kan iværksættes i tide. Det vil gavne både arbejdere og arbejdsgivere.

En fremtid med AI og sundhed i samarbejde

Kolmogorov-Arnold Networks giver håb for en mere præcis, rettidig og forståelig medicinsk diagnose. Og vigtigst: De understøtter lægerne, i stedet for at erstatte dem.

AI i medicin er ikke længere fremtidsmusik – det er virkelighed. Og det redder liv.

For at lære mere:

1. Chau, N.-K., Kim, W. J., Lee, C. H., Chae, K. J., Jin, G. Y., & Choi, S. (2025). Quantitative computed tomography imaging classification of cement dust-exposed patients based on Kolmogorov-Arnold networks. Artificial Intelligence in Medicine, 146, 103166. https://doi.org/10.1016/j.artmed.2025.103166

#ArtificialIntelligence #Medicine #Surgery #Medmultilingua