Marie Lilleborge

Marie Lilleborges algoritmer kan spare oljebransjen for milliarder og bidra til bedre diagnosearbeid for brystkreft – noe som indirekte kan redde liv. Her er foran Matematikk-bygget hvor hun fredag hadde sin doktorgradsdisputas. Foto: Gunhild M. Haugnes

Algoritmene som både kan brukes til oljeleting og kreftscreening

Marie Lilleborges forskning kan indirekte både redde liv og gi oljebransjen store gevinster.

Av Gunhild M. Haugnes
Publisert 16. jan. 2017

Hun startet sitt doktorgradsarbeid med å jobbe videre med en datamodell en tidligere stipendiat hadde laget av geologien i havbunnen i et område i Nordsjøen. Det er rett og slett et skattekart, mener Lilleborge.

­Det handlet om en rettet graf med sirkler og piler imellom dem. Sirklene var områder hvor oljen kan ha oppstått eller områder man kan hente den ut fra. Pilene viser mulige ruter hvor oljen kan ha beveget seg etter at den ble dannet for millioner av år siden.

Plukker ut de beste letebrønnene

– Ved bruk av skattekartet kan vi lese av sannsynligheten for å finne olje på et enkelt sted – og samspillet mellom sannsynligheten for oljefunn på ulike steder. Jeg har brukt modellen til å regne ut hvilke letebrønner man bør velge å bore i, sier Lilleborge.

Dette er svært sentralt for oljebransjen. Å bore feil steder kan koste milliarder, samtidig som et riktig valg kan gi pengene tilbake flere ganger.

Hun påpeker at effektiv innhenting av informasjon er sentralt for det meste i verden. Når det handler om letebrønner, dreier det seg blant annet om kostnader og inntekter for ulike alternativer. 

– Vi beregner hvor mye det koster å bore den aktuelle brønnen på et gitt tidspunkt, sett i forhold til hvilken gevinst man kan regne med å få. Rekkefølgen man skal bore i, spiller også en stor rolle, sier Lilleborge.

Hun har laget retningslinjer for hvordan man bør evaluere verdien av informasjonen knyttet til letebrønnen - ut fra hva den skal brukes til.

­– Når mye er ukjent, kan det være vanskelig å undersøke alt, derfor er det viktig å forstå hvilke undersøkelser som er mest effektive, sier Lilleborge, som har utviklet algoritmer som hjelper datamaskinen med å regne ut hvilke undersøkelser som er best.

Slik kan oljeselskapene legge strategier for hvor de skal bore til hvilke tidspunkter. Boringen skje i sommersesongen, men planlegging gjøres i forkant.

Men så førte forskningen henne over på nye spor. Lilleborge så at verktøyene hun hadde laget kunne videreutvikles til andre områder. Ikke minst til å regne ut det mest optimale screeningprogrammet for brystkreft.

Tok på seg de generelle statistiker-brillene

– Hvordan kom du på å gå inn i et så annerledes fagområde?

– Jeg tok på meg de generelle statistiker-brillene. Dette gjorde jeg for å forstå innhentingen og evalueringen av informasjon i rettede grafer – og programmerte et system for å regne effektivt i disse modellene.

­­– Samtidig har statistikerbrillene et ekstra triks. De gjør det mye lettere å se likheten mellom oppgaver som ellers kan se veldig ulike ut, sier hun.

Bayesiansk nettverk

En grafisk modell for sannsynlighet. Den representerer et sett av tilfeldige variabler og deres avhengigheter av hverandre fremstilt ved hjelp av en såkalt rettet asyklisk graf.

Et eksempel på en bayesiansk nettverk kan være en representasjon av sannsynlighetsfordelingen mellom sykdommer og relaterte symptomer. Nettverket kan slik kalkulere sannsynligheten for at en person har en sykdom.

Metodene hun har brukt for å utvikle algoritmene baserer seg på såkalte bayesianske nettverk, som innebærer at man setter opp en grafisk modell for sannsynligheter ut fra en rekke ulike variable og deres avhengighet av hverandre.

Brukte data fra Mammografiprogrammet

Slik kunne hun bruke mye av det hun lærte i oljeletingsprosjektet til å regne ut et optimalt screeningprogram for brystkreft med utgangspunkt i data fra Mammografiprogrammet.

I hvilke tilfeller bør man screene? Får man nok og riktig informasjon hvis man gjør slik og slik?

baysiansk nettverk

– Det er sentralt å finne ut når man skal screene og når det ikke er nødvendig. Et av målene må være ikke å ta for mange prøver, men samtidig ta det når sannsynligheten for sykdom tilsier det. Ved hjelp av modellene kan helsepersonell legge strategier til beste for pasientene.

En annen grunn til at hun utviklet modellen for brystkreftscreeing, er at hun under doktorgradsarbeidet søkte og fikk jobb i Kreftregisteret.

Og hun håper i framtiden å få jobbe videre med disse modellene.

­– Det er med andre ord en svært anvendelig kompetanse, sier hun.