Nu ska datorer lära sig att besvara frågan om vilka som är i riskzonen för stroke eller hjärtinfarkt, genom att tolka röntgenbilder från 30 000 hjärtan.
I Sverige är ca 1,8 miljoner människor drabbade av hjärt-kärlsjukdomar, som också ligger bakom mer än en tredjedel av alla dödsfall.
Sex universitetssjukhus har tillsammans startat befolkningsstudien Scapis 2013, där ett omfattande forskningsprojekt undersöker 30 000 personer i åldern 50-64 år. Målet är att få mer information om vad som orsakar hjärt- och kärlsjukdomar och vad som kan göras för att förhindra dem.
Man ska samla in information som tidigare inte funnits och med den informationen som hoppas forskarna på sikt kunna stoppa hjärt- och kärlsjukdom innan den uppstår. Materialet blir en kunskapsbank för forskare över hela världen som försöker få svar på varför sjukdomar som stroke, KOL, hjärtstopp och hjärtinfarkt uppstår.
Den information som Scapis producerar används redan i flera medicinska forskningsprojekt där datorer ska lära sig att tolka röntgenbilder av mänskliga organ, bland annat fettvävnad innanför hjärtsäcken.
– Att lida av bukfetma är ofta kopplat till en ökad risk för hjärt- och kärlsjukdom, och man tror att fettet runt hjärtat är av samma sort, säger David Molnar, doktorand vid institutionen för klinisk fysiologi vid Sahlgrenska universitetssjukhuset i Göteborg och en av forskarna.
Det finns fett både utanför och innanför hjärtsäcken, men då det bara är det fettet som är innanför hjärtsäcken som idag antas vara farligt, så måste man kunna skilja dem åt. Så för att tolka en röntgenbild, så måste man dels avgöra vart gränsen går och beräkna mängden fett innanför i hjärtsäcken
– En erfaren röntgenläkare kan ta en arbetsdag på sig för att tolka bilden från en patient, säger David Molnar. Då inser man att det inte är möjligt att manuellt undersöka 30 000 bilder.
I tio års tid så har forskare försökt hitta rätt algoritmer för att datorer ska kunna utföra den här uppgiften, men hittills har man inte lyckats tillräckligt bra.
Nu samarbetar Sahlgrenska universitetssjukhuset och Chalmers för att förbättra datorernas möjlighet att tolka hjärtsäcksbilderna.
Metoden man använder för att lära datorn kallas supervised learning. Den utgår ifrån ett facit, i det här fallet bilder av hjärtan där en erfaren läkare har linjerat ut hjärtsäcken, sedan får datorn med facit som grund försöka sig på samma sak med röntgenbilderna.
– Man låter datorn träna några dygn, sedan kollar man om den har gjort något vettigt med bra resultat. Om inte, försöker man skapa en smartare algoritm, säger Jennifer Alvén som är doktorand i forskargruppen Datorseende och Medicinsk Bildanalys vid Chalmers
Två år räknar man med att det kommer att ta innan man får ett preliminärt svar på frågan om fettets betydelse för hjärt- och kärlsjukdomar.
