Matematikern som driver utvecklingen av framtidens strokevård

Forskningen tar sin utgångspunkt i behovet av mer tillförlitliga och effektiva metoder för att tolka komplexa medicinska bilddata, särskilt i situationer där tid och precision är avgörande. Genom att förena teoretiska modeller med klinisk insikt utvecklar Öktem och hans forskargrupp metoder som är anpassade för verkliga vårdmiljöer snarare än idealiserade laboratorieförhållanden. Arbetet bygger på nära samarbeten mellan matematiker, ingenjörer och läkare, vilket ger en strukturerad grund för att ta fram lösningar som kan användas i praktiken. Det är i denna breda samverkan som det aktuella projektet har vuxit fram och fått förutsättningar att ta nya steg.

Bakgrund

Öktem var fyra år när han kom till Sverige från Turkiet. De bosatte sig först i Rinkeby, men flyttade senare till Lappkärrsberget, vilket gjorde att Öktem kunde gå i Engelbrektsskolan och senare läsa naturvetenskaplig linje på gymnasiet. Intresset för kemi och fysik var starkt under skoltiden, och hans ursprungliga plan var att studera biokemi.

– Min familj har en lång historia av att ta risker för något de tror på. Mina föräldrar kom till Sverige som politiska flyktingar, och både morfar och farfar arbetade med samhällsbygge under en turbulent tid i Turkiet. Det har format min syn på vad som är viktigt i livet, att stå för något och följa det som känns meningsfullt, berättar Öktem.

Ozan Öktem växte upp i en miljö där utbildning och naturvetenskap värderades högt. Hans mor har en bakgrund inom statistik och kemiingenjörskap och arbetade senare som lärare i Sverige, medan hans far är filosof med inriktning mot vetenskapsteori och filosofiska frågeställningar. Kombinationen av naturvetenskapliga och humanistiska perspektiv i hemmet skapade tidigt en bred akademisk medvetenhet.

Karriärsvägen

Öktems väg till professuren i numerisk analys vid matematiska institutionen på KTH har varit långt ifrån traditionell. Trots att naturvetenskap funnits starkt i familjen och att han från början planerade att bli biokemist, förändrades riktningen när hans far föreslog att han skulle läsa ”ett år matematik, det är alltid nyttigt”. Det som först var tänkt som ett tillfälligt avbrott ledde istället in honom på ett spår som kom att forma både hans karriär och de forskningsfält han senare skulle bidra till.

Under utbildningens gång upptäckte han matematikens möjligheter och hur tillämpad matematik och matematisk analys kunde användas för att förstå och modellera komplexa naturvetenskapliga system. Intresset växte snabbt och han fortsatte läsa, fördjupa sig och till sist disputera i ren matematik vid Stockholms universitet 1999, trots att han aldrig planerat att stanna i ämnet så länge.

Efter disputationen valde Öktem en väg som få matematiker tar, han gick till industrin. Först till finansbranschen där han arbetade med avancerad riskmodellering, och senare till en forskningsintensiv startup vid Karolinska Institutet som utvecklade algoritmer för att avbilda proteiner med 3D-elektronmikroskopi. Åren inom industrin gav honom både bredd och djup i sin kompetens. Det tvingade fram nya sätt att tänka, bort från formell teori och mot snabb problemlösning, tydliga resultat och ständig anpassning. Det var där han lärde sig hur matematik faktiskt fungerar i komplexa praktiska miljöer, hur modeller måste anpassas, förenklas och optimeras för att vara användbara. Samtidigt återvände intresset för forskningsvärlden gradvis, i takt med att han arbetade i en miljö där tekniken låg nära akademiska frågor.

– Jag tror det var friheten att bestämma själv och utforska olika områden som ledde mig in på forskningsområdet, tillägger Öktem.

År 2009 återvände Öktem till akademin och började på KTH:s Center for Applied and Industrial Mathematics. Det blev starten på en period som skulle forma både hans egen forskning samt hans roll i KTH:s satsningar inom biomedicinsk forskning. Trots att han började sin karriär på KTH genom en administrativ tjänst växte hans ansvar snabbt, och han tog roller som föreståndare för KTH:s strategiska forskningsplattform inom Life Science Technologies, vice föreståndare för Stockholm Mathematics Centre och representant för KTH i etableringen av EIT Health. Dessa år placerade honom mitt i en korsning mellan matematik, teknik och klinisk forskning, en plats där hans ovanliga bakgrund gjorde stor skillnad. Han skapade nätverk, byggde strukturer och öppnade dörrar mellan discipliner som tidigare sällan arbetat så nära varandra.

Mellan åren 2018 och 2021 tog Öktem del av forskningsmiljöer i Göttingen, vid Universitetet i Cambridge, Alan Turing Institute och Universitet i Edinburgh. Där mötte han matematikens och AI forskningens frontlinje. Internationella samarbeten och nya synsätt breddade hans perspektiv och gav honom verktyg att utveckla sin forskning ytterligare. Den internationella erfarenheten gav också akademisk tyngd och bekräftade hans position som en forskare i absolut framkant. Efter en period vid Uppsala universitet där han blev professor i beräkningsvetenskap återvände han slutligen till KTH under 2022 och befordrades året därpå till professor i numerisk analys.

Om forskningsområdet

Öktems forskning bygger på att kombinera matematik, statistik och maskininlärning för att tolka och förbättra medicinska bilder. Hans arbete med inversmodellering* och matematisk bildvetenskap har gjort honom till en internationellt ledande forskare inom området. Utvecklingen av mjukvarubiblioteket ODL* (Operator Discretization Library) har gjort det möjligt för forskare världen över att arbeta med avancerade algoritmer för bildrekonstruktion som utvecklats inom Öktems forskargrupp. Denna forskning har särskilt stor betydelse inom biomedicinska områden såsom bildrekonstruktion inom låg-dos CT* och 3D kryo-elektronmikroskopi*, där behovet av tydliga och tillförlitliga bilder är avgörande.

En fika som förändrade riktningen för strokevården

Under en fika tillsammans med neurokirurgen Marcus Ohlsson på Nya Karolinska fick Öktem förklarat vad den praktiska utmaningen i strokevården var: perfusionsbildtagningen*, en viktig diagnostisk undersökning där hjärnan löpande avbildas med CT* över ett kortare tidsintervall.

– Det här är ett tidskrävande moment som inte alltid kan genomföras på alla patienter, berättar Öktem.

För att tydligare förstå behovet fick Ohlsson beskriva sitt drömscenario, hur diagnostiken skulle se ut om det fanns fullständig frihet att förändra arbetsflödet. Svaret blev att det mest värdefulla vore att helt slippa perfusionsbildtagningen* och att istället få motsvarande information direkt från den första diagnostiska bildtagningen (CT-bild utan kontrast*) som tas redan vid första vårdkontakten då misstanke om stroke föreligger.

Öktem lät en exjobbsstudent, Joel Wållberg, testa konceptet under handledning av doktoranden Jevgenija Rudzusika. Idén var att med AI kunna läsa in en CT-bild utan kontrast och sedan förutsäga diagnostisk relevant information som normalt beräknas från perfusionsbildtagning. Resultatet var oväntat bra och det hela utvecklades till startupen Aipek, grundat av Öktem tillsammans med Joel Wållberg, Jevgenija Rudzusika och neurokirurgen Marcus Ohlsson. Gruppen samarbetar idag med sjukhus i Sverige, Storbritannien och Sydkorea för att validera tekniken i olika kliniska miljöer. Målet är att drastiskt korta tiden till beslut i strokevården och möjliggöra att fler patienter får rätt behandling i tid.

I december 2025 blev projektet AI guided stroke identification (AI Stroke ID) beviljat inom Knut och Alice Wallenberg Foundations Proof of Concept‑program*, lett av Öktem och hans team. Anslaget ger både finansiering och utvecklingsstöd via Wallenberg Launch Pad*, och gör det möjligt att gå från lovande forskningsresultat till faktisk klinisk implementering.

Forskningsbeskrivning: AI Stroke ID

Syftet med projektet AI Stroke ID, som utgår ifrån startupen Aipek, är att göra det snabbare och enklare att ställa diagnos vid stroke. Det här ska åstadkommas genom att ersätta den långdragna blodflödesundersökningen (perfusionsbildtagningen) med en AI-

baserad analys av den första datortomografibilden (utan kontrast) som tas när patienten söker vård för sina symptom.

– I nuläget krävs ofta en hel bildsekvens för att avgöra vilka delar av hjärnan som är skadade och vilka som fortfarande kan räddas, fortsätter Öktem.

Då undersökningen inte alltid kan genomföras omedelbart, behöver vissa patienter dessutom återkomma för kompletterande bedömningar, vilket i praktiken kan leda till flera vårdbesök innan en fullständig diagnostisk bild är klar. Detta fördröjer handläggningen och påverkar möjligheten till snabb behandling.

AI Stroke ID använder i stället matematiska metoder och maskininlärning för att återskapa motsvarande diagnostisk information direkt från en enda standard CT-bild. Modellen tränas på omfattande kliniska data för att identifiera mönster som speglar blodflöde och vävnadsskada i hjärnan, sådant som traditionellt bara syns i en bildserie, perfusionsserier. Målet är att ge strokespecialister ett snabbt och tillförlitligt beslutsunderlag, oberoende av patientens förutsättningar och utan behov av upprepade undersökningar.

– Med denna metod kan diagnostiken kortas från upp till 20–30 minuter eller flera besök till endast några sekunder. För stroke, där varje minut påverkar mängden hjärnvävnad som går att rädda, kan detta få direkt betydelse för patientens prognos, understryker Öktem.

Forskningen bedrivs i nära samarbete med kliniker för att säkerställa att tekniken fungerar både i teori och i praktisk vårdmiljö.

AI förändrar matematiken – och framtidens ingenjörsroll

Utvecklingen inom artificiell intelligens går snabbt och påverkar både hur forskning bedrivs och hur tekniska yrkesroller förändras. Tekniker som tidigare krävde omfattande beräkningar, specialiserade algoritmer eller expertkunskap kan idag delvis automatiseras genom stora språkmodeller och avancerade maskininlärningssystem. Det innebär att både forskare och studenter behöver förhålla sig till en ny verklighet där AI inte är ett tillägg, utan en integrerad del av det matematiska arbetet.

– Matematik och AI möts på ett sätt vi aldrig har sett tidigare. AI är inte bara är ett nytt verktyg som kompletterar matematiken, utan något som i grunden förändrar hur matematisk problemlösning går till, förklarar Öktem.

Han lyfter att denna förändring ställer stora krav på ingenjörsutbildningar, både på KTH och internationellt:
– Framtidens ingenjörer kommer behöva förstå hur AI verktyg fungerar, när de kan användas med förtroende och hur de ska granskas kritiskt. Traditionella metoder kommer fortsatt vara viktiga, men de måste kompletteras med kunskap om hur AI modeller tränas, hur deras begränsningar ser ut och hur man självständigt kan bedöma deras tillförlitlighet i tekniska och medicinska tillämpningar.

Utmaningen framåt anser han är att kombinera klassiska tekniska färdigheter med förmågan att kritiskt granska och använda AI verktyg. Det är en ny sorts ingenjörsroll enligt Öktem.

Begreppsordlista

• ODL – Operator Discretization Library: Ett Python-verktyg för att lösa avancerade matematiska problem i en dator.

• Verktygslåda för forskare: Det hjälper matematiker att snabbt testa idéer utan att behöva bygga allt från början.
• Från teori till data: Namnet betyder att man tar teoretiska matematiska modeller (operatorer) och gör om dem till digitalt format (diskretisering) så att en dator kan räkna på dem.
• Löser "inversa problem": Det används främst för att räkna ut vad som orsakat ett visst mätresultat. Ett vanligt exempel är att skapa en bild av insidan av en kropp utifrån data från en skiktröntgen (CT).
• CT-bild/ CT‑rekonstruktion: En typ av avancerad röntgenbild som tas med en datortomograf. Den visar tunna ”skivor” av kroppen i 2D eller 3D och används för att upptäcka exempelvis stroke, blödningar eller tumörer. CT‑rekonstruktion är den matematiska processen som omvandlar rådata från röntgenmätningar till själva bilden som läkaren ser. Datorn räknar då ut hur kroppens vävnader måste vara placerade för att skapa en tydlig och användbar CT‑bild.
• cryo‑elektronmikroskopi: Ett sätt att ”fotografera” molekyler när de är blixtfrysta, så att forskare kan studera dem på nära håll.
• Perfusionsbildtagning: En medicinsk metod för att se hur blodet flödar genom kroppens vävnader (t.ex. hjärnan eller hjärtat).
• Mäter blodflöde: Den visar inte bara hur ett organ ser ut, utan hur bra det fungerar genom att mäta hur mycket blod som når fram till cellerna.
• Använder kontrastmedel: Man sprutar oftast in ett ämne i blodet och följer dess väg med en kamera (CT eller MR).
• Livsviktig vid stroke: Används främst för att snabbt se vilka delar av hjärnan som lider av syrebrist och går att rädda.
• Proof of Concept‑program: Programmet hjälper forskare att visa att en idé håller – innan man går vidare med större tester, investeringar eller utvecklingssamarbeten.
• Wallenberg Launch Pad: Ett stödprogram som hjälper forskare att utveckla sina idéer mot praktisk nytta och marknadsmognad.