AI hittar bukspottkörtelcancer tidigare – så funkar det

Mindre än var tionde patient med bukspottkörtelcancer lever längre än fem år efter diagnos. Det är en siffra som sticker i ögonen – inte för att vården gör för lite, utan för att sjukdomen ofta gömmer sig tills det är för sent att operera.

Det är därför resultatet från en ny internationell studie (publicerad 2025-12-12) är så intressant: ett AI-system som analyserar datortomografi (DT) identifierade bukspottkörtelcancer mer träffsäkert än erfarna röntgenläkare. För dig som jobbar i läkemedel, bioteknik eller kliniska studier är det här mer än en nyhet. Det är en konkret pusselbit i hur AI flyttar fram positionerna för tidig diagnos, patientselektion och personlig medicin.

I den här delen av serien AI inom läkemedel och bioteknik går jag igenom vad studien faktiskt visar, varför den spelar roll för svensk life science (med Karolinska institutet i en central roll) och hur man kan gå från lovande modell till klinisk nytta – utan att tumma på patientsäkerheten.

Varför bukspottkörtelcancer är en diagnosfälla

Bukspottkörtelcancer är svår att fånga tidigt eftersom symtomen ofta är diffusa och kommer sent. Och när tumören väl syns tydligt kan fönstret för botande kirurgi redan vara på väg att stängas.

Det här får en följdeffekt som sällan diskuteras utanför vården: när diagnosen kommer sent hamnar även läkemedelsutveckling i ett sämre läge.

Sen upptäckt ger sämre behandling – och sämre data

Tidig upptäckt är inte bara en klinisk ambition. Den påverkar:

• Behandlingsmöjligheter: fler patienter blir operabla, fler kan få kurativt upplägg.
• Kliniska studier: sena stadier ger en patientpopulation med hög sjukdomsbörda, fler avhopp och svårare endpoints.
• Biomarkörstrategi: om du vill koppla avbildning, blodmarkörer och genetik till utfall behöver du upptäcka sjukdomen innan den “exploderar” kliniskt.

Det är här AI i bilddiagnostik passar in. Inte som ersättare av radiologer, utan som ett extra lager precision – särskilt i gränsfall.

Vad studien visar – siffrorna som betyder något

Resultatet är tydligt: AI-modellen presterade bättre än en stor grupp radiologer när det gäller att upptäcka bukspottkörtelcancer på DT.

Upplägget i studien är ovanligt robust för att handla om medicinsk AI:

• 68 röntgenläkare från 40 institutioner i 12 länder jämfördes mot AI.
• Totalt ingick 3 440 patienter i materialet.
• Över 430 AI-utvecklare från 46 länder bidrog med algoritmer.
• De tre bästa algoritmerna kombinerades till en modell som testades i en separat utvärderingsgrupp på 1 130 patienter.

AUROC: ett mått du faktiskt kan använda

Forskarna använde AUROC för att mäta träffsäkerhet. Skalan går till 1,0, där:

• 0,8–0,9 räknas som god träffsäkerhet
• >0,9 räknas som mycket hög träffsäkerhet

I studien fick:

• AI-systemet AUROC 0,92
• radiologerna AUROC 0,88

Det kan låta som en liten skillnad. I praktiken betyder det ofta två saker samtidigt: fler tumörer hittas och färre falskt positiva svar skapas. Det är exakt den kombinationen vården behöver, eftersom falsklarm driver onödiga utredningar medan missade fall kostar tid – och ibland liv.

En bra tumregel: När du förbättrar både sensitivitet och specificitet i en svår diagnosmiljö är det sällan “bara statistik”. Det är förändrad klinisk vardag.

Varför det här är relevant för AI inom läkemedel och bioteknik

Det direkta värdet är diagnostik. Men den större effekten syns när man kopplar ihop diagnostik med utveckling och uppföljning.

1) Bättre patientselektion till kliniska studier

Kliniska studier inom onkologi förlorar tid (och pengar) på heterogena patientgrupper: olika tumörbörda, olika stadium, olika biologisk profil. Om AI kan hjälpa till att identifiera sjukdomen tidigare och mer konsekvent kan du:

• rekrytera patienter i mer jämförbara stadier
• få renare baseline-data
• minska antalet screen failures

Det här är särskilt relevant när studier bygger på kombinationer av behandling (t.ex. cytostatika + målstyrt + immunterapi) där timing spelar stor roll.

2) Personlig medicin börjar ofta i bilden – inte i labbet

Det är lätt att tänka att personlig medicin är lika med genetik. I praktiken är avbildning ofta första signalen.

AI-modeller som kan kvantifiera tumörens form, läge och förändring över tid kan bli en bro mellan:

• radiologi (DT/MR)
• patologi (tumörtyp)
• molekylär profil (mutationsmönster)
• behandlingsrespons

När den bron fungerar kan du både styra behandling smartare och designa studier som matchar rätt patient till rätt intervention.

3) Sverige som testbädd – när akademi och vård samarbetar

Studien är ett samarbete mellan Radboud university medical center, Karolinska institutet och University of Bergen. För svensk del är det ett typexempel på det vi borde göra mer av: klinisk relevans, internationell jämförelse och metodisk utvärdering.

Jag tar ställning här: Sverige har allt att vinna på att bli en tydlig arena för prospektiva AI-studier i vården. Vi har registertradition, stark akademi och ett sammanhållet sjukvårdssystem i jämförelse med många andra länder. Men det kräver att vi slutar nöja oss med retrospektiva “AI slog människor”-rubriker och går på det som är svårt: implementering.

Från lovande resultat till klinisk nytta: det som måste sitta

AI i radiologi faller nästan alltid på samma praktiska frågor. De har inte med algoritmen att göra – utan med processen runtom.

Prospektiva studier: modellen måste klara verkligheten

Forskarna pekar själva på nästa steg: prospektiva studier i klinisk vardag, med försiktighet och noggrannhet.

Det är rätt fokus, för i verkligheten:

• ändras bildprotokoll mellan sjukhus
• har patienter rörelseartefakter
• varierar kontrastfaser
• är remissflödet fullt av “miscases” som ingen träningsdataset riktigt speglar

En modell som är stark i efterhandsanalys måste visa att den:

1. fungerar stabilt över platser och maskiner
2. inte skapar nya flaskhalsar (t.ex. fler onödiga utredningar)
3. förbättrar utfall som betyder något (tid till diagnos, operabilitet, överlevnad)

Arbetsflöde och ansvar: vem gör vad när AI flaggar?

Den mest underskattade frågan är organisatorisk: vad händer när AI säger “misstänkt cancer” men radiologen är osäker – eller tvärtom?

Det behövs tydliga svar på:

• När ska AI vara second reader och när ska den vara triage?
• Hur dokumenteras AI-stöd i journal och bildsystem?
• Hur hanteras avvikelser och kvalitetssäkring över tid?

Om du vill skapa leads inom AI i läkemedel och bioteknik är det här en öppning: många bolag pratar om modellprestanda, men få hjälper kunder att bygga styrning, validering och uppföljning som håller i drift.

Data, etik och compliance – särskilt viktigt i EU

2025 går vi in i en period där kraven på medicinsk AI i EU skärps i takt med nya regelverk och tillsynspraxis. Det betyder i praktiken att du behöver vara bra på:

• datastyrning (vem får använda vad och varför)
• spårbarhet (vilken modellversion gav vilket svar)
• kontinuerlig övervakning (drift, bias, prestandafall)

Det här är inte “extraarbete”. Det är förutsättningen för att AI ska bli ett kliniskt verktyg och inte ett projekt som dör efter pilot.

Nästa frontier: cystor, förstadier och uppföljning över tid

Ett av de mest lovande spåren i studien är planen att använda AI för uppföljning av patienter med cystor eller förstadier till bukspottkörtelcancer.

Det är smart av två skäl:

1. Det finns redan ett uppföljningsflöde. Vården följer dessa patienter med återkommande bilddiagnostik.
2. Det är en tidsseriefråga. Människor är bra på att bedöma en enskild bild. AI kan bli extremt bra på att upptäcka små förändringar över tid när den får jämföra många undersökningar systematiskt.

Praktisk användning: så kan AI göra skillnad i uppföljning

Här är tre konkreta sätt AI kan bidra i uppföljningsprogram:

• Riskstratifiering: hitta vilka cystor som sannolikt är ofarliga och vilka som kräver tätare kontroller.
• Objektiv mätning: volymförändring och växtmönster, inte bara “ser lite större ut”.
• Prioritering i kö: flagga fall där förändringstakten tyder på högre risk.

Om vi menar allvar med personlig medicin är det här exakt typen av beslut vi vill stödja: rätt intensitet av vård till rätt patient.

Vanliga följdfrågor (och raka svar)

Kommer AI ersätta radiologer?

Nej. Den största nyttan ligger i att AI blir ett beslutsstöd som ökar konsekvens och fångar svåra fall tidigare. Radiologens ansvar och kliniska kontext behövs fortfarande.

Varför räcker inte AUROC för att “bevisa” nytta?

AUROC mäter diagnostisk diskriminationsförmåga, men klinisk nytta kräver också att du ser effekter på flöde och utfall: tid till diagnos, antal onödiga utredningar, operabilitet och gärna överlevnad.

Vad bör ett bolag inom life science göra nu?

Om du jobbar med AI i läkemedel/bioteknik är en rimlig nästa insats att kartlägga var bilddiagnostik påverkar dina studier och din produktstrategi: screening, inklusionskriterier, endpoints eller uppföljning.

Nästa steg för dig som vill använda AI i klinik och studier

AI som hittar bukspottkörtelcancer på DT med AUROC 0,92 (mot radiologers 0,88) är inte bara en prestationsnotering. Det är ett tydligt exempel på hur AI kan flytta diagnosen tidigare – och därmed göra behandling och studier mer effektiva.

Jag tycker att 2026 borde bli året då fler svenska aktörer går från “AI-projekt” till AI-infrastruktur: prospektiva studier, tydliga arbetsflöden och mätning av verklig patientnytta. Det är där ledarskap skapas.

Vill du ta ett sådant steg i din organisation: vilka två processer i dag – radiologi, patientselektion, uppföljning – skulle vinna mest på att ni standardiserar data och bygger en validerad AI-loop i stället för ännu en fristående pilot?