Inledning: Uteruscancer är den sjätte vanligaste cancerformen hos kvinnor i världen. Ny forskning pekar på att diffusionsviktad magnetresonanstomografi (MRT) kan vara en tillförlitlig undersökningsmetod för att detektera patologiska förändringar i uterus. Syfte: Att skapa en översikt av användbarheten av diffusionsviktade sekvenser vid MRT för att påvisa uteruscancer. Metod: Allmän litteraturöversikt, tio kvantitativa studier inkluderades. Resultat: Diffusionsviktade sekvenser vid MRT har högre sensitivitet, specificitet samt diagnostisk noggrannhet för att påvisa patologiska förändringar i uterus än sekvenser utan diffusionsviktning. Apparent diffusion coefficient (ADC) och b-värden är viktiga markörer för att skilja malign från benign vävnad, indikera patologisk parametrieinvasion samt förutse överlevnad hos patienter med cervixcancer. Slutsats: Diffusionsviktade sekvenser är bättre än sekvenser utan diffusionsviktning och kontrastmedelsförstärkta sekvenser på att hitta samt stadieindela tidiga förändringar i uterus. Undersökningen görs non-invasiv och säker för patienter med känslighet eller allergi mot kontrastmedel, samt frigör tid för röntgensjuksköterskan till omvårdnad av patienten. / Background: Uterus cancer is the sixth most common form of cancer in women in the world. New research suggests that diffusion-weighted magnetic resonance imaging (MRI) can be a reliable method of investigation for detecting pathological changes in the uterus. Purpose: To provide an overview of the available scientific support for the use of diffusion-weighted sequences in MRI to detect uterine cancer. Method: Literature review that included ten quantitative studies. Results: Diffusion-weighted sequences in MRI have higher sensitivity, specificity and diagnostic accuracy to detect pathological changes in the uterus compared to non- diffusion-weighted sequences. Apparent diffusion coefficient (ADC) and b-values are important markers to distinguish malignant from benign tissue, indicate pathological parametric invasion, and predict survival in patients with cervical cancer. Conclusion: Diffusion-weighted sequences are better than sequences without diffusion-weighting and contrast-mediated sequences for identifying and staging early changes in the uterus. The examination is made non-invasive and safe for patients with sensitivity or allergies toward contrast media, as well as freeing time for the radiographer to care for the patient.

The integration of Artificial Intelligence (AI) in dental radiography not only presents an opportunity but also holds immense potential to enhance diagnostic accuracy and efficiency. This study addresses the exciting challenge of leveraging AI, specifically a generative pre-trained transformer model, to interpret dental panoramic X-rays, a task traditionally reliant on human expertise. The central purpose of the study is to evaluate the diagnostic capabilities of this AI model compared to professional dental evaluations, focusing on its accuracy and consistency, thereby paving the way for a promising future in dental diagnostics. The research involved a sample of 35 dental panoramic X-rays obtained from Flexident AB, anonymized and annotated by a panel of dental professionals. The study was conducted in two stages: Stage One tested the AI model in three different methods: 1- without any annotations, 2- with numbered teeth, and 3- with colored circles highlighting areas of interest. Stage Two involved training a specialized GPT model with domain-specific knowledge. Key findings indicate that the AI model, when provided with detailed visual annotations, achieved diagnostic accuracy comparable to that of dental professionals, as statistical analysis showed no significant differences between the golden standard (dentist group) and the visually annotated group (P>0.05). However, the model struggled with unannotated images, highlighting the importance of structured input. The research underscores the potential of language-based AI in medical imaging while emphasizing the need for detailed input to optimize performance. This study is pioneering in applying a generative pre-trained transformer model for dental diagnostics, opening new avenues for AI integration in healthcare. / Integrationen av artificiell intelligens (AI) inom tandradiografi innebär inte bara en möjlighet utan har också en enorm potential att förbättra diagnostisk noggrannhet och effektivitet. Denna studie tar upp den spännande utmaningen att utnyttja AI, specifikt en generativ förtränad transformer-modell, för att tolka panoramaröntgenbilder av tänder, en uppgift som traditionellt är beroende av mänsklig expertis. Studiens centrala syfte är att utvärdera de diagnostiska förmågorna hos denna AI-modell jämfört med professionella tandläkarbedömningar, med fokus på dess noggrannhet och konsekvens, vilket banar väg för en lovande framtid inom tanddiagnostik. Forskningen omfattade ett urval av 35 panoramaröntgenbilder av tänder erhållna från Flexident AB, anonymiserade och annoterade av en panel av tandläkare. Studien genomfördes i två steg: Steg ett testade AI-modellen på tre olika sätt: 1- utan några annoteringar, 2- med numrerade tänder och 3- med färgade cirklar som markerade intressanta områden. Steg två involverade träning av en specialiserad GPT-modell med domänspecifik kunskap. Nyckelresultat visar att AI-modellen, när den tillhandahölls detaljerade visuella annotationer, uppnådde en diagnostisk noggrannhet jämförbar med professionella tandläkare, då statistisk analys visade inga signifikanta skillnader mellan guldstandarden (tandläkargruppen) och den visuellt annoterade gruppen (P>0,05). Modellen hade dock svårigheter med icke-annoterade bilder, vilket understryker vikten av strukturerad inmatning. Forskningen betonar potentialen hos språkbaserad AI inom medicinsk avbildning och behovet av detaljerad inmatning för att optimera prestanda. Denna studie är banbrytande i sin tillämpning av en generativ förtränad transformer-modell för tanddiagnostik, vilket öppnar nya möjligheter för AI-integrering inom sjukvården.