Published on 29 Jul 2026
min read
Views
Varje år granskas en miljard diagnostiska bilder någonstans i världen. De flesta berättar en historia som ögat kan följa. En envis minoritet döljer det fynd som förändrar ett liv, i en skugga som är en millimeter bred, i en förgrening av en luftväg som endoskopet aldrig har sett. Medicinsk bilddiagnostik är ryggraden i den moderna hälso- och sjukvården, en marknad som uppgick till 42 miljarder USD år 2024 och är på väg att överskrida 68 miljarder USD år 2032. Men den djupare sanningen om detta decennium är enklare. Bilden är inte längre flaskhalsen. Det är vad vi gör med den.
Det är därför jag hela tiden återkommer till en idé: den diagnostiska tvillingen.
Den verkliga klyftan inom dagens medicinteknik
AI inom medicinteknik är inte längre experimentellt. Det är existentiellt. En åldrande befolkning, överbelastade radiologer och datamängder som växer snabbare än de människor som tolkar dem har drivit vår bransch förbi den punkt där en bättre modell, på egen hand, är svaret. Den globala marknaden för kirurgisk bilddiagnostik förväntas växa från 5,76 miljarder USD år 2025 till 9,60 miljarder USD år 2034, och enbart sjukhusen i USA spenderar över 5 miljarder USD per år på utrustning för kirurgisk bilddiagnostik. Utgifterna ökar. Kunskapsgapet växer snabbare.
Jag har sett ett bronkoskop tränga sig igenom tusen luftvägar mot en knuta ungefär lika stor som ett risgryn, med begränsad rumslig kontext och blodkärl som det inte kan se. Det gapet, mellan vad skanningen visar och vad enheten behöver veta, är där nästa generation av medicinteknik kommer att avgöras.
Från statisk bild till levande tvilling
En digital tvilling är inte en 3D-rekonstruktion med ett marknadsföringsskal. Om den görs på rätt sätt är den en patientspecifik modell som byggs upp från en enda CT-skanning och som utvecklas genom fyra intelligensstadier: strukturellt, diagnostiskt, procedurmässigt och beteendemässigt. Varje stadium lägger till ett lager som en enhet eller kliniker kan agera utifrån, vilket förvandlar skanningen från en statisk bild till en fungerande referens, vilket metoder som LTTS:s Lung Digital Twin | LTTS illustrerar.
Det strukturella lagret kartlägger automatiskt varje luftväg, blodkärl och lunglob – till över 90 procent automatiserat med AI, utan manuell markering. Det diagnostiska lagret identifierar och lokaliserar tumörer, fibros, emfysem och obstruktion, samt visar hur varje slutsats nåddes. Det procedurmässiga lagret omvandlar skanningen till en väg innan endoskopet förflyttas, med kartläggning av avstånd till blodkärl och vägledning gren för gren. Det beteendemässiga lagret, nästa steg på vår färdplan, simulerar luftflöde, sjukdomsförlopp och ”tänk om”-scenarier innan ett beslut fattas för patienten.
En CT-undersökning. Fyra intelligenslager. En enda återanvändbar pipeline som redan sträcker sig över lungor, lever, hjärta, hjärna och ögon.
Varför modellkapplöpningen är fel kapplöpning
Vår bransch har ägnat fem år åt att jaga högre noggrannhetsvärden. Den insatsen var inte bortkastad. Den var otillräcklig. Flaskhalsen modellerades aldrig. Det handlade om disciplinen att omvandla en klinikers fråga till en designspecifikation, för att sedan omvandla den specifikationen till ett system som en tillsynsmyndighet godkänner, som en enhet kan köra i sitt eget hölje och som ett sjukhus IT-team kan ge support för på tisdag morgon.
Denna disciplin har ett namn. Vi kallar den Engineering Intelligence.
EI är disciplinen att bygga in ingenjörsintelligens i allt vi bygger och allt vi bygger med. Den förstår den tekniska komplexiteten och omvandlar den till intelligens i stor skala. Den tar sig uttryck i fyra former, som alla fyra syns i en diagnostisk tvilling: Engineering AI som resonerar för fysiska system, Agentic AI som agerar, Physical AI som körs inuti enheten och Industrial AI som körs över hela flottan.
Tillämpat på en tvilling är EI anledningen till att ett segmenteringsresultat blir en navigerbar rutt. Det är anledningen till att en slutsats blir en förklaring som en kliniker litar på och som en granskare godkänner. Det är anledningen till att samma arkitektur som idag kartlägger en lunga kan kartlägga en lever nästa kvartal utan att behöva börja om från början.
Dataproblemet som ingen har löst med mer data
Medicinsk AI har saknat rätt data ända från början. Vår reaktion, som bransch, har varit att begära mer av den. Större kohorter. Renare etiketter. Fler institutioner. Det har inte överbryggat klyftan.
Man kan inte nå intelligens på organnivå enbart genom att märka upp data. Man måste konstruera lösningar som hanterar bristen. Över 90 procent automatiserad segmentering. Kliniska träningsdata från flera källor. Förklarbarhet inbyggd i modellen, inte påklistrad i efterhand. Detta är tekniska beslut innan de är databeslut. De är anledningen till att tvillingen är robust i den verkliga världen, inte bara exakt i ett jämförelsetest.
Varför ingenjörstraditionen är viktig
Det finns en sorts trovärdighet inom detta område som man inte kan fejka. Den kommer från att ha byggt fabrikerna som tillverkar enheterna, mjukvaran som driver enheterna och nu även den intelligens som finns inuti dem. Det är anledningen till att en CTO inom medicinteknik litar på en partner att gemensamt äga intelligenslagret i en enhet som ska placeras inuti en patient. Det är anledningen till att vår navigeringsmetod är patenterad. Det är anledningen till att NVIDIA valde vår plattform för att demonstrera vad accelererad AI-infrastruktur kan göra för andningsdiagnostik vid RSNA 2025.
De flesta AI-företag jag träffar har kommit till medicinteknikbranschen via mjukvaruområdet. Vi kom in via mjukvaruutveckling. I den här branschen spelar den ordningen roll.
Ett organ idag, fem på färdplanen
Lungorna är idag en av de mest mogna miljöerna för implementering av diagnostiska tvillingar, men principerna sträcker sig långt bortom andningsvård, till leversjukdomar, kardiovaskulär diagnostik, neurologi och oftalmologi.
Det som gör konceptet så lockande är inte modelleringen av ett enskilt organ, utan möjligheten till ett återanvändbart tekniskt ramverk som stöder många kliniska tillämpningar. Genom att kombinera patientspecifik bildtagning, AI-driven tolkning, procedurvägledning och simulering inom en gemensam arkitektur kan diagnostiska tvillingar erbjuda en grund som utvecklas parallellt med framtida diagnostiska och terapeutiska innovationer, vilket väcker en strategisk fråga för medicintekniska företag: ska man bygga individuella AI-funktioner för varje område, eller investera i skalbara plattformar som stödjer en bredare portfölj över tid?
En söm i tid
En tidig insats sparar mycket besvär, och inom medicinteknik kan det innebära snabbare marknadsintroduktion, lägre kostnader för regelefterlevnad och bättre patientresultat. De organisationer som sannolikt kommer att forma nästa era inom hälso- och sjukvården är de som agerar nu: de som integrerar AI genom hela produktlivscykeln snarare än i isolerade pilotprojekt, anpassar den till kliniska arbetsflöden och regelverk från dag ett, och väljer teknikpartners som är rustade att arbeta på själva enhetens nivå.
Nästa konkurrensfördel kanske inte är sensorn eller modellen i sig, utan den diagnostiska tvillingen mellan dem, som styr enheten och ger läkaren motiveringen bakom varje steg. I slutändan står branschen inför ett strategiskt val: att fortsätta optimera enbart för noggrannhet eller att investera i den bredare disciplinen ingenjörsintelligens som omvandlar bilddata till klinisk insikt.
