Kunstig intelligens som leser vevsprøver kan oppdage mer enn kreft: Den utleder kjønn, rase og alder – noe menneskelige patologer ikke kan. En fersk studie fra Harvard Medical School, publisert 17. desember 2025, viser at dette gir skjev nøyaktighet mellom pasientgrupper i nær 30% av diagnostiske oppgaver. Samtidig viser et nytt rammeverk, FAIR-Path, at skjevheten kan reduseres med 88%.

Hva fant forskerne?

Forskerne ved Harvard testet fire vanlig brukte AI-modeller for kreftdiagnostikk på over 28 000 vevsprøver fra mer enn 14 000 pasienter. Materialet omfattet 20 ulike krefttyper fra fem medisinske sentre.

Resultatet var tydelig: I nesten 30% av de diagnostiske oppgavene var nøyaktigheten betydelig forskjellig mellom demografiske grupper.

• Modellene slet mer med å skille mellom ulike lungekrefttyper hos afroamerikanske pasienter og menn.
• De viste lavere treffsikkerhet i klassifisering av brystkreft hos yngre pasienter.
• Redusert nøyaktighet ble også sett ved deteksjon av bryst-, nyre-, skjoldbruskkjertel- og magekreft hos enkelte demografiske grupper.

«At AI kan lese demografiske opplysninger fra en patologisk prøve ble ansett som en 'umulig oppgave' for en menneskelig patolog, så skjevheten i patologi-AI var en overraskelse for oss,» sier Kun-Hsing Yu, som ledet studien ved Harvard Medical School.

Hvorfor oppstår skjevheten?

Delvis handler det om ubalanserte treningsdata: Noen demografiske grupper er oftere representert i vevsprøver enn andre. Men dette er ikke hele forklaringen.

«Problemet viste seg å være mye dypere enn det,» sier Yu.

Teamet fant at AI-systemene også fanger opp subtile molekylære forskjeller mellom grupper, inkludert mutasjoner i kreftdrivergener. Slike signaler kan variere i prevalens mellom befolkningsgrupper, og modellene bruker dem som snarveier i diagnostikken – med redusert nøyaktighet som resultat. I flere tilfeller presterte modellene dårligere for enkelte grupper selv når utvalgsstørrelsene var like.

Løsningen: FAIR-Path

Da forskerne anvendte FAIR-Path på de testede modellene, falt de diagnostiske forskjellene med 88%. Ifølge forskerne viser dette at skjevhet kan reduseres betydelig uten at treningsdata må være perfekt balanserte eller fullstendig representative.

«Vi viser at ved å gjøre denne lille justeringen kan modellene lære robuste egenskaper som gjør dem mer generaliserbare og rettferdige på tvers av ulike befolkninger,» forklarer Yu.

Konsekvenser for pasientbehandling

Funnene understreker behovet for at medisinsk AI rutinemessig evalueres for bias. Målet er rettferdig og pålitelig diagnostikk for alle pasienter, uavhengig av bakgrunn. Yu og teamet samarbeider nå med institusjoner over hele verden for å studere patologi-AI i regioner med ulike demografier, kliniske praksiser og laboratorieinnstillinger.

• Målet: AI-systemer som støtter menneskelige eksperter og leverer raske, nøyaktige og rettferdige diagnoser for alle pasienter.

«Jeg tror det er håp om at hvis vi er mer bevisste på og nøye med hvordan vi designer AI-systemer, kan vi bygge modeller som fungerer godt i enhver befolkning,» sier Yu.

Nøkkeltall i studien

• Publisert: 17. desember 2025
• Modeller testet: 4
• Vevsprøver: over 28 000
• Pasienter: mer enn 14 000
• Krefttyper: 20
• Medisinske sentre: 5
• Skjevhet i nøyaktighet: nær 30% av oppgavene
• Reduksjon med FAIR-Path: 88%

Kort oppsummert: Harvard-forskere avslører at kreft-AI kan lese demografi fra vev og dermed skape skjevheter i diagnostikk. Med FAIR-Path viser de at rettferdigere og mer treffsikker AI er mulig – uten perfekt balanserte datasett. Arbeidet fortsetter globalt for å sikre likeverdig kreftbehandling for alle.

Kilder: ScienceDaily, Harvard Medical School, Cell Reports Medicine, Medical Xpress, Inside Precision Medicine