Anders Ynnerman: Visualisera den medicinska dataexplosionen

Idag producerar medicinska scanningar tusentals bilder och terabyte med data för en enda patient på bara några sekunder, men hur tolkar läkarna denna information och avgör vad som är användbart? Vid TEDxGöteborg visar den vetenskapliga visualiseringsexperten Anders Ynnerman oss sofistikerade nya verktyg - som virtuella obduktioner - för att analysera denna myriad av data, och en inblick i några science fiction-klingande medicinska tekniker som är under utveckling. Denna presentation innehåller grafiska medicinska bilder som kan vara stötande.

Jag ska börja med att formulera en liten utmaning,

utmaningen att hantera data,

data som vi måste hantera

i medicinska situationer.

Det är verkligen en enorm utmaning för oss.

Detta är vårt lastdjur.

Det är en datortomograf --

en CT-maskin.

Det är en fantastisk apparat.

Den använder röntgenstrålning,

som roterar väldigt snabbt kring människokroppen.

Det tar omkring 30 sekunder att åka igenom hela maskinen

och det genereras enorma mängder information

som kommer ut ur maskinen.

Så det här är en fantastisk maskin

som vi kan använda

för att förbättra hälso- och sjukvården.

Men som jag sa, det är också en utmaning för oss.

Och utmaningen kan man se i den här bilden.

Det är den medicinska dataexplosionen

som vi har just nu.

Vi ställs inför detta problem.

Låt mig gå tillbaka i tiden.

Låt oss gå tillbaka några år i tiden och se vad som hände då.

De här maskinerna som kom ut --

de började komma under 1970-talet --

de scannade människokroppar,

och de genererade omkring 100 bilder

av människokroppen.

Jag har tagit mig friheten, för tydlighets skull,

att översätta det till dataenheter.

Det skulle motsvara ungefär 50 MB,

vilket är lite

när man tänker på informationen vi kan hantera idag

bara på vanliga mobilenheter.

Om man översätter det till telefonkataloger,

blir det ungefär en meterhög stapel av telefonkataloger.

Ser man till det vi gör idag

med de maskiner vi har,

kan vi, på bara några sekunder,

få 24 000 bilder av en kropp.

Det skulle motsvara omkring 20 GB,

eller 800 telefonkataloger.

Högen med telefonkataloger skulle då bli 200 meter hög.

Det som är på väg att hända --

och vi ser att detta är på gång --

en tekniktrend som händer just nu

är att vi även börjar titta på resultat över tid.

Så vi får dynamiken av kroppen också.

Anta bara

att vi samlar data under fem sekunder,

det skulle motsvara en TB data.

Det är 800 000 telefonkataloger

som skulle utgöra en 16 km hög stapel.

Det är en patient, en uppsättning data.

Och det är detta vi måste handskas med.

Så det är egentligen detta som är den enorma utmaningen vi har.

Redan idag -- detta är 25 000 bilder.

Föreställ er

när vi hade röntgenläkare till detta.

Dom skulle ha satt upp 25 000 bilder,

och gjort så här. "25 000, okej, okej...

Där är problemet."

Dom kan inte göra så längre, det är omöjligt.

Så vi måste göra nånting lite mer intelligent än detta.

Vad vi gör är att vi sätter ihop alla dessa skikt.

Föreställ dig att du skivar din kropp i alla riktningar,

och sen försöker du sätta ihop alla skikt igen

till en hög med information, till ett datablock.

Så det är egentligen det här vi gör.

Så den här gigabyten eller terabyten med data stoppar vi i in i ett block.

Men självklart är det så att datablocket

bara innehåller den mängd röntgenstrålning

som blivit absorberad i varje punkt av människokroppen.

Vad vi behöver göra är att komma på ett sätt

att titta på de saker vi vill titta på

och göra saker genomskinliga som vi inte vill titta på.

Så att omvandla datauppsättningen

till någonting som ser ut som detta.

Detta är en utmaning.

Det är en enorm utmaning för oss att göra det.

Att använda datorer, även om dom bli snabbare och bättre hela tiden,

så är det en utmaning att handskas med flera gigabyte,

eller terabyte

och att extrahera den relevanta informationen.

Jag vill titta på hjärtat,

Jag vill titta på blodkärlen, jag vill titta på levern,

kanske till och med hitta en tumör

i vissa fall.

Låt mig visa ett exempel.

Detta är min dotter.

Detta var klockan nio i morse.

Hon spelar ett dataspel.

Hon är bara två år gammal,

och har jätteroligt.

Så hon är den egentliga drivkraften

bakom utvecklingen av grafikprocessorer.

Så länge barn spelar dataspel,

blir grafiken bättre och bättre.

Så var snälla att gå hem och säg åt era barn att spela mer dataspel,

för det är det jag behöver.

Så det som är inuti den här maskinen

är det som gör det möjligt för mig att göra det jag gör

med den medicinska datan.

Så vad jag gör är att använda dessa fantastiska små enheter.

Går man tillbaka

omkring 10 år i tiden

när jag fick finansiering

till min första grafikdator.

Det var en enorm maskin.

Det var stora skåp med processorer, lagring och allt.

Jag betalade ungefär en miljon dollar för den maskinen.

Den maskinen är idag ungefär lika snabb som min iPhone.

Varje månad kommer det ut nya grafikkort.

Här är några av de senaste från tillverkarna --

NVIDIA, ATI och även Intel.

För bara några hundra dollar

kan man köpa såna här och stoppa in i sin dator,

och man kan göra fantastiska saker med dessa grafikkort.

Så det är egentligen detta som gör det möjligt för oss

att hantera med explosionen av data inom medicin,

tillsammans med en del riktigt fiffigt arbete

i form av algoritmer --

datakomprimering,

och extrahering av den relevanta informationen som folk forskar om.

Jag ska visa er några exempel av vad vi kan göra.

Detta är en datauppsättning som erhållits med datortomografi.

Man kan se att det finns mycket information.

Det är en kvinna. Man kan se håret.

Man kan se de individuella strukturerna av kvinnan.

Man kan se viss diffraktion av röntgenstrålar

på tänderna, metallen i tänderna.

Det är därifrån artefakterna kommer.

Men helt interaktivt

med ett vanligt grafikkort på en vanlig dator,

kan jag bara lägga in ett beskärningsplan.

Självklart finns all data där,

så jag kan börja rotera, jag kan titta på det från olika vinklar,

och jag kan se att den här kvinnan hade problem.

Hon hade en blödning uppe i hjärnan,

och den har blivit fixad med en liten stent,

en metallklämma som drar ihop blodkärlet.

Bara genom att ändra i funktionerna,

kan jag bestämma vad som ska vara genomskinligt

och vad som ska vara synligt.

Jag kan titta på skallstrukturen,

och jag kan se att det var här dom öppnade skallen på den här kvinnan,

och det var där dom gick in.

Så detta är fantastiska bilder.

Dom är väldigt högupplösta

och dom visar oss verkligen vad vi kan göra

med vanliga grafikkort idag.

Nu har vi verkligen dragit nytta av detta,

och vi har försökt att klämma in massvis med data

in i systemet.

En av tillämpningarna som vi har arbetat på --

och detta har fått ett visst fäste över hela världen --

är tillämpningen med virtuella obduktioner.

Så återigen, framför oss har vi väldigt, väldigt stora uppsättningar data,

och ni såg helkroppsscanningarna vi kan göra.

Vi för bara kroppen genom datortomografen,

och på bara några sekunder kan vi få en helkroppsdatauppsättning.

Så detta är från en virtuell obduktion.

Ni kan se hur jag gradvis skalar av.

Först såg ni liksäcken kroppen kom i,

sen skalar jag av huden -- ni kan se musklerna --

och slutligen kan ni se kvinnans skelett.

Vid det här laget skulle jag också vilja passa på att understryka

att, med den största respekt

för människorna som jag nu ska visa --

Jag ska visa några fall av virtuella obduktioner --

så det är med största respekt för människorna

som dött under våldsamma omständigheter

som jag ska visa dessa bilder för er.

I rättsmedicinska fall --

och detta är något

som det funnits cirka 400 fall av hittills

bara i den delen av Sverige som jag kommer ifrån

som har undergått virtuella obduktioner

de senaste fyra åren.

Så detta är den typiska arbetsgången.

Polisen avgör --

under kvällen, när ett fall kommer in --

så avgör dom om detta är ett fall som kräver obduktion.

På morgonen, mellan klockan sex och sju,

transporteras sedan kroppen inuti liksäcken

till vårt center

och scannas genom en av datortomograferna.

Sen tittar röntgenläkaren, tillsammans med rättsläkaren

och ibland en annan rättsmedicinsk specialist,

på datan som kommer ut,

och dom har ett gemensamt sammanträde.

Efter detta bestämmer dom vad som sedan ska göras i den riktiga, fysiska obduktionen.

Låt oss titta på några fall,

här är ett av de första fallen som vi hade.

Man kan verkligen se detaljerna av datauppsättningen,

det är väldigt högupplöst.

Och det är våra algoritmer som låter oss

zooma in på alla detaljer.

Återigen, det är helt interaktivt,

så man kan rotera och man kan titta på saker i realtid

på dessa system.

Utan att säga för mycket om detta fallet,

det är en trafikolycka,

en berusad förare som kört på en kvinna.

Det är väldigt lätt att se skadorna på skelettet.

Dödsorsaken är den brutna nacken.

Den här kvinnan hamnade dessutom under bilen,

så hon är i ganska dåligt skick

på grund av olyckan.

Här är ett annat fall, ett fall av knivvåld.

Detta visar oss igen vad vi kan göra.

Det är väldigt lätt att se metallartefakter

som vi kan visa inuti kroppen.

Man kan också se lite artefakter från tänderna --

det är faktiskt tandfyllningarna --

men eftersom jag har satt inställningarna att visa metall

och göra allt annat genomskinligt.

Här är ett annat våldsamt fall. Det här dödade inte personen.

Personen dog av knivhugg i hjärtat,

men dom gjorde bara sig av med kniven

genom att sätta den i en av ögonhålorna.

Här är ett annat fall.

Det är väldigt intressant för oss

att kunna undersöka saker som knivhugg.

Här kan man se att kniven gick genom hjärtat.

Det är väldigt lätt att se hur luften har läckt

från en del till en annan del,

vilket är svårt att se i en vanlig fysisk obduktion.

Så det underlättar verkligen

brottsutredningen

att fastställa dödsorsaken,

och i vissa fall att leda utredningen i rätt riktning

för att ta reda på vem gärningsmannen egentligen var.

Här är ett annat fall som jag tycker är intressant.

Här kan man se en kula

som har fastnat precis intill ryggraden på den här personen.

Vad vi har gjort är att vi har gjort om kulan till en ljuskälla,

så att kulan faktiskt skiner,

och det gör det väldigt enkelt att hitta såna här fragment.

Under en fysisk obduktion,

om du verkligen måste gräva genom hela kroppen för att finna dessa fragment,

så är det faktiskt rätt svårt.

En sak som jag är väldigt glad

att kunna visa er här idag

är vårt virtuella obduktionsbord.

Det är en touch-enhet som vi har utvecklat

baserat på dom här algoritmerna och med vanliga grafikkort.

Det ser i själva verket ut så här,

bara för att ge er en känsla av hur det ser ut.

Det fungerar precis som en enorm iPhone.

Så vi har implementerat

alla rörelser man kan göra på bordet,

och man kan se det som ett enormt touch-gränssnitt.

Så om du funderade på att köpa en iPad,

glöm det - detta är vad du vill ha istället.

Steve, jag hoppas du lyssnar på detta.

Så det är en väldigt trevlig liten enhet.

Om ni får tillfälle, pröva det gärna.

Det är verkligen en fysisk känsla.

Den har fått visst fäste och vi försöker lansera den

och testar den i undervisningssyften,

men också, eventuellt i framtiden,

i mer kliniska sammanhang.

Det finns en YouTube-video som man kan se för mer information,

om man vill förmedla informationen till andra människor

om virtuella obduktioner.

Okej, nu när vi pratar om "touch",

låt mig gå över till verkligt "rörande" data.

Och detta är lite science fiction nu,

så vi går verkligen in i framtiden.

Detta är inte vad läkare egentligen använder sig av just nu,

men jag hoppas dom gör det i framtiden.

Det ni ser till vänster är en touch-enhet.

Det är en liten mekanisk penna

som har väldigt snabba stegmotorer inuti pennan.

På så sätt kan jag skapa en "kraftåterkoppling" (force feedback).

Så när jag virtuellt vidrör data,

skapas rörelsekrafter i pennan, så jag får en återkoppling.

I det här fallet

är det en scanning av en levande person.

Jag har den här pennan och jag tittar på datan,

och jag rör pennan mot huvudet,

och helt plötsligt känner jag ett motstånd.

Så jag kan känna huden.

Om jag trycker lite hårdare kommer jag igenom huden,

och jag kan känna benstrukturen inuti.

Om jag trycker ännu hårdare kommer jag igenom skelettet,

särskilt i närheten av örat där benet är väldigt mjukt.

Sen kan jag känna hjärnan inuti, och den kommer vara slaskig som så här.

Så det här är väldigt trevligt.

För att ta det ännu längre, detta är ett hjärta.

Och detta är också tack vare dom här fantastiska nya maskinerna,

som på bara 0,3 sekunder,

kan scanna hela hjärtat,

och jag kan göra det med tidsupplösning.

Så bara genom att titta på det här hjärtat --

Jag kan spela upp en video här.

Detta är Karl-Johan, en av mina doktorander

som har arbetat på det här projektet.

Han sitter där framför haptikkontrollen, force feedback-systemet,

och han rör pennan mot hjärtat,

och hjärtat slår nu framför honom,

så han kan se hur hjärtat slår.

Han tar pennan och rör den mot hjärtat,

och han sätter den på hjärtat,

och sen känner han hjärtslagen från den levande patienten.

Sedan kan han undersöka hur hjärtat rör sig.

Han kan trycka sig in inuti hjärtat,

och riktigt känna hur klaffarna rör sig.

Och detta, tror jag, är framtiden för hjärtkirurger.

Jag menar det är förmodligen en våt dröm för en hjärtkirurg

att kunna gå inuti en patients hjärta

innan du gör det riktiga kirurgiska ingreppet,

och gör det med högkvalitativ, högupplöst data.

Så det här är jättebra.

Nu rör vi oss ännu längre in i framtidens science fiction.

Vi hörde lite om funktionell MRI.

Det här är ett riktigt intressant projekt.

MRI använder sig av magnetfält

och radiofrekvenser

för att scanna hjärnan, eller vilken kroppsdel som helst.

Så vad vi egentligen får ut av detta

är information om hjärnans struktur,

men vi kan också mäta skillnaden

av magnetiska egenskaper mellan blod som är syresatt

och blod som är syrefattigt.

Det innebär att det är möjligt

att kartlägga hjärnaktiviteten.

Så detta är något vi har jobbat på.

Och ni såg precis forskningsingenjören Mats

åka in i MRI-systemet,

och han hade på sig ett par glasögon.

Så han kunde se saker i dom här glasögonen.

Så jag kunde visa saker för honom medan han låg i scannern.

Och det här är lite galet,

för vad Mats ser är egentligen detta.

Han ser sin egen hjärna.

Så Mats gör någonting här.

Troligtvis gör han så här med sin högerhand,

för den vänstra sidan aktiveras

på den primära motoriska barken.

Och sen kan han se det samtidigt.

Dessa visualiseringar är helt nya.

Detta är något som vi har forskat i ett tag.

Det här är en annan sekvens av Mats hjärna.

Här bad vi Mats räkna baklänges från 100.

Så han tänker "100, 97, 94".

Och så fortsätter han.

Man kan se hur den lilla matteprocessorn jobbar här uppe i hans hjärna

och lyser upp hela hjärnan.

Det här är fantastiskt. Vi kan göra det här i realtid.

Vi kan undersöka saker. Vi kan be honom göra saker.

Man kan också se att hans syncentrum

är aktiverat på baksidan av huvudet,

för det är där han ser, han ser sin egen hjärna.

Han hör också våra instruktioner

när vi ber honom göra saker.

Signalen är väldigt djup inuti hjärnan också,

men den skiner igenom,

för all data är inuti den här volymen.

Om en sekund kommer ni få se --

Okej, här. Mats, rör på din vänsterfot.

Så han gör så här.

I 20 sekunder gör han så,

och helt plötsligt lyser det upp här uppe.

Så vi har aktivering av den motoriska barken där uppe.

Så det här är riktigt bra.

Och jag tycker det här är ett mycket bra redskap.

För att knyta an till den tidigare presentationen,

så är detta någonting vi skulle kunna använda som ett verktyg

för att verkligen förstå

hur neuroner fungerar, hur hjärnan fungerar,

och vi kan göra detta med väldigt hög visuell kvalitet

och väldigt hög tidsupplösning.

Vi har också lite roligt på vårt center.

Det här är en CAT scan -- "Computer Aided Tomography" (datortomografi).

Det här är ett lejon från den lokala djurparken

utanför Norrköping - Kolmården. Elsa.

Så hon kom till centret,

och dom gav henne bedövning

innan hon åkte in i scannern.

Sen får jag hela datauppsättningen av lejonet.

Och jag kan göra så här fina bilder.

Jag kan skala av lager av lejonet.

Jag kan titta inuti det.

Vi har experimenterat med detta

och jag tycker det är jättebra tillämpning

för framtiden av den här teknologin.

För man vet väldigt lite om djurs anatomi.

Den vetskap som finns där ute för veterinärer är ganska enkel information.

Vi kan scanna alla möjliga saker,

alla sorters djur.

Det enda problemet är att få in det i maskinen.

Här är en björn.

Det var rätt svårt att få in den.

Och björnen är ett gosigt, vänligt djur.

Här är den. Här är björnens nos.

Man vill kanske gosa med den här,

tills man ändrar inställningarna och tittar på detta.

Så var akta er för björnen.

Så med det

skulle jag vilja tacka alla de

som har hjälpt mig skapa dessa bilder.

Det är en enorm ansträngning som lagts på detta,

att samla all data och utveckla algoritmerna,

koda all mjukvara.

Väldigt talangfulla människor.

Mitt motto är alltid att bara anställa folk som är smartare än jag

och dom flesta av dessa är smartare än jag.

Tack så mycket.

(Applåder)