AI-løsning fra Oxford sætter ny standard for billeddiagnostik

RADiCAIT, en Oxford-spinout med base i Boston, har netop vakt opsigt på TechCrunch Disrupt 2025 med en AI-løsning, der kan konvertere almindelige CT-scanninger til PET-lignende billeder. Med en frisk kapitalindsprøjtning på 1,7 millioner dollars og en igangværende runde på 5 millioner dollars til kliniske studier, er timingen ikke tilfældig: RADiCAIT står på tærsklen til at ændre, hvordan hospitaler verden over arbejder med kræftdiagnostik og billedanalyse.

Det er ikke kun et teknologisk gennembrud, men også et svar på et presserende behov i sundhedsvæsenet. PET-scanninger er dyre, logistisk besværlige og ofte utilgængelige for patienter uden for de store byer. RADiCAITs løsning lover at gøre avanceret diagnostik langt mere tilgængelig – og det er derfor, vi i Snilld følger udviklingen tæt.

Baggrunden: PET-scanningens udfordringer

For patienter og klinikere er PET-scanninger ofte en prøvelse. Patienten skal faste i timevis, injiceres med radioaktivt sporstof og vente, mens stoffet fordeler sig i kroppen. Selve scanningen kræver, at patienten ligger helt stille i op til 30 minutter, og bagefter skal man undgå kontakt med sårbare grupper i op til et halvt døgn. Dertil kommer, at PET-scannere er dyre og kræver adgang til cyklotroner, der producerer de radioaktive stoffer – en logistisk flaskehals, især uden for storbyerne.

CT-scanninger, derimod, er langt mere udbredte og billige. Men de giver ikke samme funktionelle information om væv og metabolisme, som PET gør – og netop her er RADiCAITs AI-løsning banebrydende.

Teknologien bag: Fra CT til PET med AI

RADiCAITs AI-model er udviklet på University of Oxford og bygger på en generativ dyb neuralt netværk, der blev opfundet i 2021. Modellen lærer at oversætte anatomiske data fra CT-scanninger til de fysiologiske informationer, man normalt kun får fra PET. Det sker ved at analysere tusindvis af par af CT- og PET-scanninger og identificere mønstre og sammenhænge mellem de to billedtyper.

Teknisk set kombinerer RADiCAIT flere AI-modeller, der arbejder sammen om at generere det endelige billede. Ifølge virksomhedens CTO, Sina Shahandeh, minder tilgangen om DeepMinds AlphaFold, hvor AI oversætter én type biologisk information til en anden. Resultatet er PET-lignende billeder, der ifølge de første kliniske pilots er statistisk sammenlignelige med rigtige PET-billeder – og det kan dokumenteres matematisk.

Kliniske erfaringer og cases fra praksis

RADiCAITs teknologi er allerede i klinisk pilotdrift på hospitaler som Mass General Brigham og UCSF Health, hvor den især testes til lungekræftdiagnostik. De første erfaringer viser, at læger kan træffe de samme beslutninger ud fra AI-genererede PET-billeder som fra traditionelle PET-scanninger. Det betyder, at patienter kan få hurtigere og mere tilgængelig diagnostik uden de logistiske og fysiske byrder ved PET.

For klinikere betyder det, at flere patienter kan screenes og følges op – især i områder, hvor PET-udstyr er en mangelvare. Dog understreger RADiCAIT selv, at løsningen ikke kan erstatte PET i alle situationer, fx ved radioligand-terapi, hvor den radioaktive markør også bruges til behandling.

Økonomi: Kan AI spare sundhedsvæsenet penge?

En af de store fordele ved RADiCAITs løsning er de potentielle besparelser. En traditionel PET-scanning koster ofte mange tusinde kroner, mens CT-scanninger er langt billigere og kræver mindre specialudstyr. Ved at bruge eksisterende CT-data og AI kan hospitaler potentielt reducere både udgifter og ventetider markant.

De første økonomiske analyser fra pilots tyder på, at totalomkostningerne (TCO) ved RADiCAITs løsning er væsentligt lavere end ved traditionel PET. Samtidig kan hospitalerne øge kapaciteten uden at investere i nyt, dyrt udstyr. Det er især relevant for danske regioner, hvor budgetterne er stramme og efterspørgslen på billeddiagnostik stiger.

Integration og IT-krav

For at teknologien skal få fodfæste, skal den kunne integreres med eksisterende PACS- og IT-systemer på hospitalerne. RADiCAIT arbejder på at sikre, at løsningen lever op til gældende krav om datasikkerhed og compliance, herunder GDPR. Det kræver, at AI-modellen kan køre sikkert og effektivt på hospitalets infrastruktur – noget, der ifølge RADiCAIT er indtænkt fra starten.

For IT-ansvarlige betyder det, at implementeringen ikke bør kræve omfattende ændringer i den eksisterende arkitektur. Dog vil der være behov for grundig validering og test, før løsningen kan rulles bredt ud.

Arbejdsprocesser og oplæring

Indførelsen af AI-genererede PET-billeder vil ændre radiografers og klinikeres hverdag. Der vil være behov for oplæring i at tolke de nye billedtyper og forstå, hvor AI-modellen har sine styrker og begrænsninger. Samtidig kan arbejdsgangene blive mere strømlinede, fordi flere patienter kan undersøges hurtigere og uden de logistiske benspænd, PET normalt giver.

Det er dog vigtigt, at der er klare retningslinjer for, hvornår AI-genererede billeder kan bruges alene, og hvornår der stadig er behov for klassisk PET. Her vil løbende opkvalificering og tæt samarbejde mellem radiologer, IT og ledelse være afgørende.

Begrænsninger og risici

Selvom RADiCAITs løsning er lovende, er der også begrænsninger. AI-modellen kan ikke erstatte PET i alle kliniske situationer, især ikke hvor den radioaktive markør bruges terapeutisk. Derudover kræver det mere peer-reviewed evidens, før løsningen kan blive standard i klinisk praksis. De første studier er lovende, men større, uafhængige trials er nødvendige for at dokumentere sikkerhed og diagnostisk nøjagtighed på tværs af patientgrupper.

Der er også risici forbundet med at stole på AI-modeller, især hvis dataene ikke er repræsentative for alle patienttyper. Derfor er det afgørende, at løsningen løbende valideres og opdateres i takt med, at ny viden og flere data bliver tilgængelige.

Fremtidsperspektiver og udvidelser

RADiCAIT ser store muligheder for at udvide teknologien til andre kræftformer, fx tarmkræft og lymfomer, og på sigt også til helt andre områder som materialeforskning. Virksomheden planlægger flere kliniske og kommercielle pilots, og hvis FDA-godkendelsen kommer i hus, kan løsningen hurtigt blive udbredt internationalt.

For danske hospitaler og regioner er det oplagt at følge udviklingen tæt – både for at sikre adgang til den nyeste teknologi og for at vurdere, hvordan AI kan indgå i fremtidens diagnostik og patientforløb.

Samlet vurdering: Potentiale og barrierer for Danmark

RADiCAITs AI-løsning har potentiale til at revolutionere billeddiagnostik ved at gøre avancerede analyser tilgængelige for langt flere patienter – hurtigt, billigt og uden store investeringer i nyt udstyr. Men der er også barrierer: Teknologien skal valideres grundigt, arbejdsgange skal tilpasses, og der skal være klare retningslinjer for brugen. For danske hospitaler og regioner handler det om at balancere innovation med patientsikkerhed og kvalitet – men mulighederne er store, hvis man tør tage springet.

Kilder:

• https://techcrunch.com/2025/10/27/oxford-spinout-radicait-uses-ai-to-make-diagnostic-imaging-more-affordable-and-accessible-catch-it-at-techcrunch-disrupt-2025/

Målgruppens mening om artiklen

Anne Møller, IT-chef i Region Midtjylland:
Jeg giver artiklen 85. Den er meget relevant for mit arbejde, fordi den går i dybden med integration, datasikkerhed og compliance, som er helt centrale emner for os. Det er også interessant, at løsningen ikke kræver store ændringer i vores IT-arkitektur. Dog savner jeg lidt mere konkret om de tekniske integrationsudfordringer og erfaringer fra andre hospitaler.

Jens Pedersen, Overlæge, Billeddiagnostisk Afdeling, Odense Universitetshospital:
Jeg giver artiklen 90. Det er sjældent, jeg læser noget, der rammer så præcist ned i vores udfordringer med PET vs. CT. Artiklen forklarer både de kliniske fordele og begrænsninger, og jeg kan genkende problemstillingerne fra min hverdag. Jeg savner dog lidt mere om, hvordan AI-modellen performer på tværs af forskellige kræfttyper.

Maria Larsen, Radiograf, Aalborg Universitetshospital:
Jeg giver artiklen 80. Den er let at forstå og forklarer godt, hvordan arbejdsgange og oplæring vil ændre sig. Jeg synes, det er positivt, at der lægges vægt på oplæring og klare retningslinjer. Jeg kunne dog godt tænke mig flere konkrete eksempler fra radiografers perspektiv.

Thomas Holm, Sundhedsøkonom, Region Hovedstaden:
Jeg giver artiklen 75. Økonomidelen er relevant og godt beskrevet, især med fokus på TCO og kapacitetsforøgelse. Men jeg savner flere tal og konkrete beregninger på de økonomiske gevinster, især i en dansk kontekst.

Louise Friis, Digitaliseringskonsulent, Region Syddanmark:
Jeg giver artiklen 82. Det er spændende at se, hvordan AI kan transformere diagnostik og arbejdsgange. Artiklen balancerer godt mellem teknologi, praksis og fremtidsperspektiver. Jeg savner dog lidt mere om, hvordan løsningen kan skaleres og hvilke barrierer, der kan opstå i en dansk implementering.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.