Så ska Google få AI att fungera bättre för alla patienter

Google Research tar ett helhetsgrepp på AI inom sjukvården med två parallella satsningar som adresserar både rättvisa och precision i medicinsk diagnostik. Enligt Google AI Blog lanseras nu initiativ som kan förändra hur vi ser på AI-driven sjukvård.

Huddiagnostik för alla hudtyper

Det första genombrottet kommer i form av SCIN (Skin Condition Image Network) – en omfattande bilddatabas utvecklad tillsammans med Stanford Medicine. Med över 10 000 bilder av hudåkommor representerar databasen ett direkt svar på ett allvarligt problem inom AI-diagnostik: bias mot ljusare hudtoner.

"Dermatologiska tillstånd är mångsidiga i sitt utseende och allvarlighetsgrad, och manifesterar sig olika beroende på hudfärg", förklarar Pooja Rao, forskningsvetare på Google Research och projektledare för SCIN.

Vad som gör SCIN särskilt intressant ur utvecklingsperspektiv är fokuset på vardagsåkommor. Istället för att fylla databasen med ovanliga medicinska fall har Google prioriterat de hudproblem som människor faktiskt söker hjälp för online – utslag, allergier och infektioner. Det är smart systemtänk som speglar verkliga användarbehov snarare än akademiska extremfall.

Precisionsdiagnostik för lungcancer

Parallellt utvecklar Google Research ett AI-system för lungcancerscreening som visar imponerande resultat i test genomförda i både USA och Japan. Systemet arbetar med datortomografi-bilder (CT) och hjälper radiologer att upptäcka cancer tidigare och med högre precision.

Talet om siffror här är allvarligt – lungcancer orsakade 1,8 miljoner dödsfall globalt under 2020 och är den ledande orsaken till cancerrelaterade dödsfall. Tidig upptäckt kan minska dödligheten med minst 20 procent, vilket gör denna typ av AI-stöd till en potentiell livräddare.

Systemets styrka ligger i att minska falska positiva resultat – när AI:n felaktigt rapporterar cancer hos friska patienter. Detta är ett kritiskt problem eftersom feldiagnoser inte bara orsakar patientångest utan även driver upp vårdkostnader genom onödiga ingreep.

Skalbarhet möter verklighet

Vad som imponerar mig som utvecklare är hur båda initiativen adresserar skalbarhetsproblem i verkliga miljöer. USPSTF (den amerikanska preventivmedicinska expertgruppen) har nyligen utökat sina rekommendationer för lungcancerscreening med 80 procent, vilket dramatiskt ökar efterfrågan på screeningkapacitet.

Google löser detta genom att augmentera snarare än ersätta mänsklig expertis. AI:n fungerar som ett intelligens-förstärkande verktyg för radiologer, vilket är en mer realistisk implementeringsstrategi än fullständig automatisering.

Teknikarkitektur med samhällsperspektiv

Båda projekten representerar en mognare approach till AI-utveckling inom hälsovård. Istället för att bara optimera för teknisk prestanda bygger Google system som aktivt motverkar systematiska fördomar och integrerar smidigt i befintliga vårdflöden.

Denna kombination av teknisk innovation och samhällsansvar visar hur AI-utveckling bör drivas framåt – inte bara snabbare och smartare, utan också mer rättvist och tillgängligt.