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.

Vid blodgivning donerar blodgivare blod frivilligt. Blodet kan sedan användas inom sjukvården för exempelvis blodtransfusion, vilket kräver blodprodukter kompatibla med patienten. Förekomst av leukocyter i blodprodukter medför en ökad risk för febrila transfusionsreaktioner hos transfunderade patienter. Därför krävs det att vid framställning leukocytreducera blodprodukter och utföra kvalitetskontroll. Med analysen B-leukocytpartikelkoncentration (LPK) kan totalantalet leukocyter i helblod beräknas. Flödescytometri är en metod som kan analysera optiska och fluorescerande egenskaper hos exempelvis celler i en suspension, vilket kan användas för att kvantifiera cellantal. BD Leucocount™-Kit (BD Biosciences) är avsett för flödescytometrisk analys av antalet kvarvarande leukocyter i leukocytreducerade blodprodukter. Vid framställning av blodprodukter ska helblodspåsen vila vid rumstemperatur i minst 3 timmar efter blodgivning. I Falun används antingen ett dagsprogram där produktion sker samma dag som blodgivningen, eller ett övernattningsprogram där produktion sker dagen därpå. Prover från 505 kontrollerade erytrocytenheter, samlade i Falun, har påvisat en skillnad i leukocytkoncentration beroende på vilket program som använts. Anledningen till att erytrocytenheternas leukocytinnehåll skiljer sig är inte känt. Syftet med denna studie är därav att undersöka om vilotiden har någon effekt på leukocytkoncentrationen i helblodspåsar. LPK varierade mellan helblodspåsarna. Ett ökande leukocytantal observerades över tid i majoriteten av helblodspåsar, inklusive medelvärde. Däremot kunde inte hypotesprövning påvisa statistisk signifikans. Hypotesen om att leukocytantalet ökar över tid går emot grundläggande hematologi. Utifrån resultaten i denna studie kan inte hypotesen bevisas. Vidare studier bör genomföras. / During blood donation, blood donors donate blood voluntarily. The blood can then be used in healthcare for, for example, blood transfusions, which requires blood products compatible with the patient. The presence of leukocytes in blood products increases the risk of febrile transfusion reactions in transfused patients. Therefore, leukocyte-reduction in blood products is necessary during production. Each blood center must perform quality control on produced blood products. With the analysis B-leukocyte particle concentration (LPK), the total number of leukocytes in whole blood can be calculated. Flow cytometry is a method that can analyze the optical and fluorescent properties of, for example, cells in a suspension, which can be used to quantify cell numbers. The BD Leucocount™-Kit (BD Biosciences) is intended for flow cytometric analysis of the number of leukocytes remaining in leukocyte-reduced blood products. When producing blood products, the whole blood bag should rest at room temperature for at least three hours after the donation. In Falun, either a day program is used where production takes place on the same day as the blood was donated, or an overnight program where production takes place the next day. Samples from 505 controlled erythrocyte units, collected in Falun, have shown a difference in leukocyte concentration depending on the program used. The reason why the leukocyte content of erythrocyte units differs is not known. The purpose of this study is therefore to investigate whether the resting period has any effect on the leukocyte concentration in whole blood bags. The LPK varied between the whole blood bags. An increasing leukocyte count was observed over time in most of the whole blood bags. However, hypothesis testing did not show statistical significance. The hypothesis that leukocyte counts increase goes against basic hematology. Based on the results of this study, the hypothesis cannot be proven. Further studies should be conducted. / <p>Vårdförbundet tilldelade Leo Svahn stipendium 2021 för <em>bästa kandidatuppsats inom biomedicinsk laboratorievetenskap</em>.</p>

Diagnostic Captioning is described as “the automatic generation of a diagnostic text from a set of medical images of a patient collected during an examination” [59] and it can assist inexperienced doctors and radiologists to reduce clinical errors or help experienced professionals increase their productivity. In this context, tools that would help medical doctors produce higher quality reports in less time could be of high interest for medical imaging departments, as well as significantly impact deep learning research within the biomedical domain, which makes it particularly interesting for people involved in industry and researchers all along. In this work, we attempted to develop Diagnostic Captioning systems, based on novel Deep Learning approaches, to investigate to what extent Neural Networks are capable of performing medical image tagging, as well as automatically generating a diagnostic text from a set of medical images. Towards this objective, the first step is concept detection, which boils down to predicting the relevant tags for X-RAY images, whereas the ultimate goal is caption generation. To this end, we further participated in ImageCLEFmedical 2022 evaluation campaign, addressing both the concept detection and the caption prediction tasks by developing baselines based on Deep Neural Networks; including image encoders, classifiers and text generators; in order to get a quantitative measure of my proposed architectures’ performance [28]. My contribution to the evaluation campaign, as part of this work and on behalf of NeuralDynamicsLab¹ group at KTH Royal Institute of Technology, within the school of Electrical Engineering and Computer Science, ranked 4th in the former and 5th in the latter task [55, 68] among 12 groups included within the top-10 best performing submissions in both tasks. / Diagnostisk textning avser automatisk generering från en diagnostisk text från en uppsättning medicinska bilder av en patient som samlats in under en undersökning och den kan hjälpa oerfarna läkare och radiologer, minska kliniska fel eller hjälpa erfarna yrkesmän att producera diagnostiska rapporter snabbare [59]. Därför kan verktyg som skulle hjälpa läkare och radiologer att producera rapporter av högre kvalitet på kortare tid vara av stort intresse för medicinska bildbehandlingsavdelningar, såväl som leda till inverkan på forskning om djupinlärning, vilket gör den domänen särskilt intressant för personer som är involverade i den biomedicinska industrin och djupinlärningsforskare. I detta arbete var mitt huvudmål att utveckla system för diagnostisk textning, med hjälp av nya tillvägagångssätt som används inom djupinlärning, för att undersöka i vilken utsträckning automatisk generering av en diagnostisk text från en uppsättning medi-cinska bilder är möjlig. Mot detta mål är det första steget konceptdetektering som går ut på att förutsäga relevanta taggar för röntgenbilder, medan slutmålet är bildtextgenerering. Jag deltog i ImageCLEF Medical 2022-utvärderingskampanjen, där jag deltog med att ta itu med både konceptdetektering och bildtextförutsägelse för att få ett kvantitativt mått på prestandan för mina föreslagna arkitekturer [28]. Mitt bidrag, där jag representerade forskargruppen NeuralDynamicsLab² , där jag arbetade som ledande forskningsingenjör, placerade sig på 4:e plats i den förra och 5:e i den senare uppgiften [55, 68] bland 12 grupper som ingår bland de 10 bästa bidragen i båda uppgifterna.