Medicinsk bildanalys med hjälp av AI har utvecklats snabbt under de senaste åren. I en av de största studierna hittills av AI-stödd bildanalys av lymfom, cancer i lymfsystemet, har forskare på Chalmers utvecklat en datormodell som i nio fall av tio lyckas hitta tecken på lymfkörtelcancer.

En bild från så kallad positronemissionstomografi (PET) matas in och analyseras av AI-modellen. Den tränas i att hitta mönster och särdrag i bilden för att göra en så bra förutsägelse som möjligt. Illustration: Ida Häggström

Utvecklingen av nya datorstödda metoder för att tolka medicinska bilder går snabbt, och på senare år har allt fler metoder för olika sjukdomstillstånd tagits fram. Det kan minska arbetsbördan för radiologer, genom att ge ett andra utlåtande eller rangordna vilka patienter som behöver behandling snabbast.

– Ett AI-baserat datorsystem för att tolka medicinska bilder bidrar också till ökad jämlikhet i vården genom att patienterna får tillgång till samma expertis och kan få sina bilder granskade inom rimlig tid, oavsett vilket sjukhus de är på, säger Ida Häggström, docent vid institutionen för elektroteknik på Chalmers. I och med att ett AI-system har tillgång till mycket mer information underlättar det även vid ovanliga sjukdomar där radiologerna sällan ser bilder.

I nära samverkan med Sahlgrenska akademin och Sahlgrenska universitetssjukhuset vid Göteborg universitet deltar hon i utvecklingen av den medicinska bilddiagnostiken inom cancerområdet, men även inom en del andra områden som till exempel hjärt-kärlsjukdom, stroke och benskörhet.

Tillsammans med kliniskt verksamma forskare vid bland annat Memorial Sloan Kettering Cancer Center i New York har Ida Häggström utvecklat en datormodell som nyligen presenterats i The Lancet Digital Health.

– Utifrån över 17 000 bilder från drygt 5 000 lymfompatienter har vi skapat ett inlärningssystem där datorer har fått träna på att hitta tecken på cancer i lymfsystemet.

I studien har forskarna undersökt ett bildmaterial som sträcker sig drygt tio år bakåt i tiden. De har jämfört bilder från så kallad positronemissionstomografi (PET) och datortomografi (CT), både före och efter behandling, med patienternas slutliga diagnos.

Datormodellen som Ida Häggström har utvecklat kallas Lars, Lymphoma Artificial Reader System. Det är ett så kallat djupinlärningssystem som bygger på artificiell intelligens. En bild från positronemissionstomografi (PET) matas in och analyseras av AI-modellen. Den tränas i att hitta mönster och särdrag i bilden för att göra en så bra förutsägelse som möjligt om bilden är positiv eller negativ, det vill säga om den innehåller lymfom eller inte.

– Jag har använt det som kallas övervakad träning, där man visar bilder för datormodellen som sedan får bedöma om patienten har diagnosen lymfom eller inte. Modellen får även se den sanna diagnosen, så om bedömningen blir fel justeras datormodellen så att den successivt blir bättre och bättre på att avgöra diagnosen.

Vad innebär det då i praktiken att datorn använder sig av artificiell intelligens och djupinlärning?

– Det handlar om att vi inte har programmerat förbestämda instruktioner i modellen om vilken information i bilden den ska titta på, utan låter den lära sig själv vilka bildmönster som är viktiga för att få så bra förutsägelser som möjligt.

Ida Häggström beskriver processen med att lära datorn att spåra exempelvis cancer i bilderna som tidskrävande, och säger att det har tagit flera år att genomföra studien. En utmaning har varit att få fram ett så stort bildmaterial. Det har också inneburit mycket arbete att anpassa datormodellen så att den kan skilja på cancer och de tillfälliga behandlingsspecifika förändringar som kan synas i bilderna efter strålbehandling och cytostatika.

– I studien uppskattade vi datormodellens noggrannhet till ungefär nittio procent, och särskilt vid svårtolkade bilder skulle den kunna vara ett stöd till radiologerna i deras bedömningar.

Fortfarande återstår det dock ett stort arbete för att validera datormodellen om den ska kunna användas i den kliniska verksamheten.

– Vi har gjort datorkoden tillgänglig nu så att andra forskare kan arbeta vidare utifrån vår datormodell, men de kliniska tester som behöver göras är omfattande.

Den vetenskapliga artikeln ”Deep learning for fluorodeoxyglucose-PET-CT classification in patients with lymphoma: a dual-centre retrospective analysis” har publicerats i The Lancet Digital Health. Bakom studien står Ida Häggström, Doris Leithner, Jennifer Alvén, Gabriele Campanella, Murad Abusamra, Honglei Zhang, Shalini Chhabra, Lucian Beer, Alexander Haug, Gilles Salles, Markus Raderer, Philipp B. Staber, Anton Becker, Hedvig Hricak, Thomas J. Fuchs, Heiko Schöder och Marius E. Mayerhoefer.

Forskarna är verksamma vid Chalmers tekniska högskola, Memorial Sloan Kettering Cancer Center i New York, Medical University i Wien, Icahn School of Medicine at Mount Sinai i New York och NYU Langone Health i New York.

Filed under: SvenskTeknik