Javascript är avstängt eller blockerat i din webbläsare. Detta kan leda till att vissa delar av vår webbplats inte fungerar som de ska. Sätt på javascript för optimal funktionalitet och utseende.

Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versionerna av Edge, Chrome, Firefox eller Safari osv.

Snabbare och säkrare diagnoser med artificiell intelligens

Forskare och provrör
Deep learning kan förbättra bedömningen av vävnadsprov. Foto: Shutterstock

Bristen på patologer men även osäkerheten kring bedömningen av cancertumörer är utgångspunkten för ett forskningsprojekt där man använder artificiell intelligens i bedömningen av vävnadsprov.
–Tekniken kan leda till snabbare och säkrare diagnoser så att patologerna kan fokusera på det som faktiskt är cancer, säger Ida Arvidsson, doktorand vid Matematikcentrum vid Lunds universitet.

Med 10 000 diagnosticerade fall varje år är prostatacancer den vanligaste cancerformen i Sverige. När ett PSA-prov visar på misstänkt cancer är gången idag oftast undersökning med ultraljud och vävnadsprov. Vävnadsproverna måste sedan analyseras av patologer. Den stora bristen på patologer gör att diagnosticeringen kan ta lång tid. Studier har också visat att patologläkare ofta gör olika bedömningar av hur allvarlig en tumör är.

Deep learning till stor hjälp

Förhoppningen är att snart kunna ta hjälp av artificiell intelligens i bedömningen av vävnadsprov. I ett pågående forskningssamarbete mellan Skånes universitetssjukhus och Matematiska institution vid Lunds universitet har man använt 700 biopsiprover från 174 patienter. Biopsiproverna färgas in, scannas i ett mikroskop och blir en digital bild. Patologerna har sedan fått markera hur allvarlig cancern är enligt Gleasonskalan som anger cancervävnadens utseende på en skala från 3 till 5, där Gleasongrad 4 och 5 har potential att utveckla metastaser. 

– Vi använder oss av Deep Learning och har med hjälp av den insamlade datan tränat upp ett så kallat faltande neuralt nätverk, på engelska heter det convolutional neural network. Vi återskapar patologernas arbete och använder det till att bedöma nya fall, berättar Ida Arvidsson, doktorand vid Matematikcentrum.

Identifiering av bilder

Om man ska försöka förklara det enkelt så handlar det om att med hjälp av de digitala vävnadsproverna implementera nätverket som består av en massa vikter som jobbar i olika lager. Efter en viss träning lär sig nätverket att identifiera cellkärnor, celler och större strukturer som körtlar. I flera lager går man från de enklaste strukturerna så som kanter till mer komplicerade och större objekt i bilderna.

– Vi ger nätverket ett stort antal databilder och talar om vad som är facit på de här bilderna. Undan för undan tränar nätverket upp sig och känner igen en liknande bild. Det påminner om det sätt vi människor lär oss att skilja till exempel mellan olika bilmärken och kattraser, förklarar Ida Arvidsson.
Vilka är då de stora fördelarna med att använda ett neuralt närverk för att analysera vävnadsproverna.

Ny algoritm

Vad hoppas Ida Arvidsson och hennes forskargrupp att åstadkomma?

– Målet är att utveckla en algoritm som kan hjälpa patologerna så att diagnosticeringen går snabbare men också komma närmare någon form konsensus så att bedömningen inte är lika subjektiv som idag. I ett första steg kan den artificiella intelligensen hjälpa patologerna att hitta alla prov som är friska så att de kan fokusera på dem där det faktiskt är cancer. Det skulle leda till bättre och säkrare diagnoser, säger Ida Arvidsson.

Följa upp patienter över tid

Forskningsprojektet som initierats av Anders Bjartell, professor och överläkare i urologi vid Lunds universitet och Skånes universitetssjukhus, har nu pågått i tre år. Ida Arvidsson menar att det kan behövas ännu längre studier där man kan följa upp patienter över tid och utifrån de resultaten uppdatera Gleasonskalan, som är omdiskuterad:

– Istället för att gå på patologens bedömning vet vi vad utfallet är. Men det är ett större projekt – det behövs mer data och mer tid. Det finns absolut potential för att bli mycket bättre.

Samma metod för alla sjukhus

Det som har blivit uppenbart under forskningsprojektets gång är att det neurala nätverket reagerar annorlunda på digitala bilder från andra sjukhus i landet och på äldre bilder där infärgningen kan ha ändrats. För att validera sina resultat håller forskargruppen nu på att samla in data från patienter med väldigt låg grad av cancer som läkarna valt att inte behandla utan enbart att följa upp. Datan är inte tänkt att träna algoritmen utan att testa att den fungerar.

– Vi vill utveckla en algoritm som ska kunna användas på alla sjukhus i hela Sverige. En viktig fråga är hur vi kan hantera de digitala bilderna för att mer likna varandra – hur man bygger in det i algoritmen, säger Ida Arvidsson.

 

eSSENCE

eSSENCE – The e-Science Collaboration – organiseras av universiteten i Uppsala, Lund och Umeå, och samlar och stödjer forskning inom e-vetenskap.


 

Intresserad av forskning och samhälle?
Prenumerera på Apropå!
I nyhetsbrevet Apropå varvas senaste nytt från Lunds universitet med kommentarer till aktuella samhällshändelser från några av våra 4800 forskare.