Disputas: Multimodale og kombinerte KI-modeller med MR-bilder styrker tidlig Alzheimers prediksjon

Alzheimers sykdom er en viktig årsak til demens og nevrodegenerasjon og har store konsekvenser for millioner av mennesker i hele verden. Tidlig diagnose er viktig fordi de biologiske prosessene som fører til irreversible endringer i hjernen starter lenge før symptomer oppstår. Utvikling av pålitelige verktøy for klinisk beslutningsstøtte som kan bidra til målrettede behandlinger og intervensjoner vil bli avgjørende for å levere rettferdige og bærekraftige helsetjenester.

Magnetisk resonansavbildning (MRI) har i dag en viktig rolle i den diagnostiske utredningen og oppfølgingen av Alzheimers sykdom. Nye metoder og anvendelser innen kunstig intelligens (KI) kan bidra til bedre utnyttelse av MR-bildene til fordel for demensdiagnostikken. Det forutsetter at vi har pålitelige og robuste KI-modeller. Nye KI-metoder innebærer i økende grad modeller som benytter flere typer data, såkalte multimodale modeller. I denne sammenhengen kan grunnmodeller som kombinerer bildeegenskaper med tekst åpne for muligheter til å simulere og automatisere kliniske diagnostiske scenarier, for eksempel en demensvurdering.

I dette prosjektet er det forsket på ulike aspekter knyttet til pålitelighet og robusthet ved dyplæringsmodeller som kan brukes til tidlig deteksjon av Alzheimers sykdom ved hjelp av MR-bilder. Metoder for å kombinere flere modellers prediksjon, det vil si ensemble-modeller, ble analysert som en mulig bidragsyter til robust og rettferdig KI-basert deteksjon av Alzheimers sykdom. Ett av delstudiene i prosjektet vurderte samspillet mellom modellytelse og modellkalibrering for økt forståelse av modellers pålitelighet både generelt og gjennom kjønnsspesifikke analyser. I et av de andre delstudiene ble en multimodal grunnmodell benyttet til å kombinere relevante kliniske og demografiske data i tekstform med bildeegenskaper fra MRI med mål om å predikere fremtidig individuell risiko for Alzheimers sykdom i løpet av de neste fire årene.

Prosjektet fant at utvidede analyser av modellytelse med flere ytelsesparametere og separate analyser for kvinner og menn avslører begrensninger ved de studerte KI-modellene som ellers ville vært oversett. Arbeidet demonstrerer at det å kombinere flere modeller har potensial til å øke deteksjonsevnen, særlig gjennom vektet ensemble-strategi. Videre kan denne typen kombinasjon av flere modeller bidra til å redusere kalibreringsfeil sammenlignet med enkeltstående modeller og redusere ytelsesgapet mellom undergrupper i studiepopulasjonen. Bruk av den multimodale grunnmodellen viste at bildeegenskaper fra MRI i kombinasjon med relevante kliniske og demografiske tekstdata styrket prediksjonen av fremtidig individuell risiko for Alzheimers sykdom sammenlignet med modeller uten MRI.

Funnene i avhandlingen gir verdifull innsikt til videre utvikling av robuste og rettferdig KI-baserte beslutningsverktøy i klinikken hvor bildediagnostikk spiller en rolle. Videre støtter funnene behovet for mer fullstendige analyser av modellytelse sammenlignet med det som ofte opplyses i kommersiell sammenheng, og behov for validering tilpasset den tiltenkte bruken av KI-modellen. De lovende resultatene fra bruk av multimodal grunnmodell legger grunnlaget for videre utforsking av denne typen modeller innen tidlig demensprediksjon.

Personalia

Solveig Kristina Hammonds er medisinsk fysiker spesialist i MR ved seksjon for medisinsk fysikk og forskningskoordinator ved radiologisk avdeling i klinikk for medisinsk service og ABK ved Stavanger universitetssjukehus. Hun er utdannet som høgskoleingeniør i elektro fra UiS i 2002 og Master of Science Medical Imaging fra University of Aberdeen i 2005. Hammonds har fulgt Ph.d.-programmet i teknologi og naturvitenskap og studieretningen informasjonsteknologi, matematikk og fysikk. Avhandlingen utgår fra Institutt for data- og elektroteknolog ved Det teknisk-naturvitenskapelige fakultet, UiS. Doktorgradsarbeidet er gjennomført i samarbeid med Universitetet i Stavanger, Stavanger universitetssjukehus, SESAM (regionalt senter for eldremedisin og samhandling), forskningsgruppen Stavanger Medical Imaging Laboratory (SMIL) ved SUS og forskningsgruppen BMDLab – Biomedisinsk dataanalyse ved UiS.

Kontakt:

Solveig Kristina Hammonds
e-post: solveig.kristina.hammonds@sus.no

Tidspunkt og sted for prøveforelesning:

23.04.2026 kl. 09.15

Oppgitt emne:

“Diagnosing early-stage Alzheimer's disease:current practice and future potential”
Sted: Aula, C-bygget 1. etasje, SUS Ullandhaug

Prøveforelesningen kan i tillegg strømmes her (vimeo)

Tidspunkt og sted for disputas:

23.04.2026 kl. 1100

Tittel på avhandlingen:
“Reliable Deep Learning for Classification and Early Prediction of Alzheimer’s Disease Using Structural MRI"
Sted: Aula, C-bygget 1. etasje, SUS Ullandhaug

Disputasen kan i tillegg strømmes her (vimeo)

Bedømmelseskomité

Førsteopponent:         Atle Bjørnerud, Professor II, University of Oslo/Oslo University Hospital

Andreopponent:         Melanie Ganz-Benjaminsen, Associate Professor, Rigshospitalet

Komitéleder:              Morteza Esmaeili, Professor, University of Stavanger

Veiledere: 

Hovedveileder: Alvaro Fernandez Quilez (UiS)

Biveileder: Kathinka Dæhli Kurz (SUS, UiS)

Biveileder: Trygve Eftestøl (UiS)

Biveileder: Ketil Oppedal (UiS)

Leder av disputasen:

Tom Ryen, Det teknisk-naturvitenskapelige fakultet, Universitetet i Stavanger leder disputasen

Både disputas og prøveforelesning er åpne for alle interesserte.