AI tolkar 3D-röntgen och förutspår smittspridning – forskning ställer krav på spårbarhet innan tekniken når patienterna
AI förutspår smittspridning och tolkar röntgen – men spårbarhet krävs först.
Sjukvårdens tysta revolution
Det pågår en stilla men genomgripande omvälvning inom medicinen. Inte i form av ett enda stort genombrott, utan som ett växande mönster av forskningsresultat som pekar åt samma håll: AI börjar lösa problem som länge ansetts alltför komplexa, alltför nyanserade och alltför beroende av mänsklig erfarenhet för att kunna automatiseras.
Ta radiologin som exempel. En ny översiktsstudie publicerad på arXiv – baserad på mer än 200 vetenskapliga publikationer – visar att multimodala stora språkmodeller nu börjar ta sig an en av medicinens svåraste bildanalysutmaningar: tolkning av tredimensionella volymer från datortomografi och magnetresonanstomografi. Det låter tekniskt, men konsekvensen är konkret. I dag tränas många AI-system på tvådimensionella bildurval, vilket riskerar att missa avgörande rumslig information. Studien introducerar ett ramverk kallat Claim-Design-Validation för att säkerställa att tekniska påståenden faktiskt backas upp av gedigen validering – och ställer tydliga krav på spårbarhet och mänsklig tillsyn innan sådana system kan användas i verkliga vårdflöden.
Det är precis rätt attityd. Entusiasm för möjligheterna måste gå hand i hand med krav på bevisning.
Inuti den medicinska AI-modellen
En annan studie lyfter fram en fråga som sällan ställs: vad händer egentligen inuti en AI-modell när den specialiseras för ett medicinskt område? Forskare föreslår nu en metod kallad viktdeltarevision – en genomlysning av de faktiska förändringar som sker i modellens neurala nätverk vid specialisering. Metoden har tillämpats på välkända modellpar, bland annat från Googles Gemma-familj och det kinesiska projektet HuatuoGPT.
Resultaten är upplysande: prestandaförbättringarna på medicinska prov förklaras till stor del av förändringar i modellernas avkodningslager – men dessa förändringar är inte neatly avgränsade till enskilda komponenter. Med andra ord: vi kan se att modellen blir bättre, men inte alltid varför. Det är ett viktigt påminnelse om att höga poäng på kunskapsprov inte är detsamma som klinisk tillförlitlighet.
Läkemedelsforskning i snabbare takt
Längre fram i läkemedelsutvecklingens kedja ser vi ett annat lovande tillämpningsområde. En av de stora flaskhalsarna inom modern proteindesign är att laboratorier kan generera tusentals kandidatmolekyler – men saknar kapacitet att testa dem alla i praktiken. Ny forskning visar att stora språkmodeller som GPT-4o och GPT-5 kan användas för att rangordna de mest lovande proteinbindarna ur en stor kandidatpool, baserat på förberäknade strukturkvalitetsmått.
Det handlar inte om att ersätta forskarna, utan om att ge dem ett tolkningsbart beslutsstöd som väger samman flera komplexa kvalitetsmått på ett strukturerat sätt. För läkemedels- och bioteknikbranschen kan det innebära betydligt kortare väg från laboratorium till klinik.
Pandemiprognoser med hybridmodeller
Vid sidan av individnivån arbetar AI även på befolkningsnivå. Forskning baserad på 190 veckors covid-19-data från Kanada presenterar en ny ensemblemetod – MLAMA – som kombinerar klassiska tidsseriemetoder med maskininlärning. Resultaten är tydliga: ingen enskild modell presterar bäst i alla lägen. MLAMA tilldelas i stället vikter utifrån prestation per tidshorisont, och uppnår det lägsta normaliserade felet i de flesta scenarier.
För svenska folkhälsomyndigheter och smittskyddsenheter är budskapet relevant: smarta hybrider slår rigida enmetodslösningar, särskilt vid snabba dataskiften som under en pandemi.
Hjärna, miljö och känslor
Slutligen pekar en mer experimentell studie mot en spännande framtid för psykisk hälsovård. Forskare har kombinerat EEG-mätningar – hjärnvågor – med geografisk miljöinformation som luftkvalitet och stadsstruktur, för att förbättra klassificeringen av affektiva tillstånd. Träffsäkerheten steg från 67 till 76 procent jämfört med EEG-analys utan miljökontext. Forskarna är noga med att påpeka att något orsakssamband ännu inte är fastställt, men ramverket öppnar för framtida forskning där mobila mätningar och omgivningsdata samverkar för att förstå psykisk hälsa i sitt sammanhang.
En samlad bild
Vad vi ser är inte en enskild innovation – det är ett helt ekosystem av AI-tillämpningar som mognar parallellt, från bilddiagnostik och läkemedelsutveckling till epidemiologiska prognoser och psykisk hälsa. För svenska patienter innebär det potentiellt snabbare diagnoser, effektivare läkemedel och bättre beredskap vid smittutbrott. Men resan dit kräver gedigen validering, öppen granskning och tydliga krav på mänsklig tillsyn – inte enbart imponerande siffror på ett prov.
Vår analys
Det som slår mig när jag läser dessa fem studier tillsammans är mognaden i fältet. Det handlar inte längre om huruvida AI kan bidra inom medicinen – det gör det redan. Frågan är hur vi säkerställer att bidraget är genuint kliniskt värdefullt, inte bara tekniskt imponerande.
Sveriges sjukvård befinner sig i ett unikt läge: vi har välstrukturerade journalsystem, starka forskningstraditioner och en befolkning som i hög grad litar på vård och myndigheter. Det är en utmärkt grogrund för ansvarsfullt AI-införande. Men vi behöver investera i just det ramverk som forskarteamen efterlyser: spårbarhet, tydlig mänsklig tillsyn och valideringsprocesser som håller för verklig klinisk användning.
De organisationer som tidigt bygger den kompetensen – hos både tekniker och vårdpersonal – kommer att leda omställningen. De som väntar riskerar att hamna i en situation där de köper färdiga system utan att förstå vad de egentligen köper. Det är ett affärsmässigt och patientsäkerhetsmässigt misstag vi inte har råd att göra.