AI-projekt ska förbättra behandling av barncancer

Utvecklingen av artificiell intelligens, AI, i sjukvården går i snabb takt. Nu finansierar Barncancerfonden två projekt som ska hjälpa läkare att i framtiden mer exakt kunna avgränsa tumörer inför behandling med hjälp av AI för att förbättra diagnostik och behandling.

Tommy Löfstedt vid Institutionen för datavetenskap vid Umeå universitet får ett anslag i medicinteknik om 3 miljoner under tre år från Barncancerfonden för att med hjälp av AI automatisera strålbehandling inom barnonkologi.

– Vi vill ta fram automatiska segmenteringsmetoder för barn, metoder som automatiskt hittar de områden i en bild som utgör en tumör eller ett riskorgan, som ska hålla tillräckligt hög kvalitet för att kunna fungera för klinisk användning.

Inför en strålbehandling markerar en onkolog eller radiolog strukturer i anatomiska bilder av det område som skall behandlas. Läkaren markerar tumören, men även de omgivande organ som måste undvikas för att inte skadas av behandlingen. Det här en tidskrävande procedur och även om det finns programvaror som kan automatisera arbetet så tar de lång tid att använda, kräver mer data än vad som vanligen är tillgängligt och dessutom är de utvecklade för vuxna patienter.

Utveckla neuronnät för barn

Nu vill Tommy Löfstedt och hans kollegor utveckla och utvärdera moderna AI-metoder, baserade på djup maskininlärning och djupa neuronnät, för segmentering i medicinska bilder. Metoder som även fungerar för barncancerpatienter.

Några av de mest lovande och mest populära metoderna för segmentering i dag är ”djupa faltningsnät”. Det är en typ av neuronnät som fungerar särskilt bra på just bilder. Men de metoder som finns presenterade i den vetenskapliga litteraturen i dag är utvecklade på bilder av vuxna patienter.I vår pilotstudie kunde vi se att befintliga metoder fungerar sämre på bilder från barncancerpatienter än på bilder från vuxna cancerpatienter. Det vi vill göra nu är då att utveckla neuronnät som fungerar lika bra på barncancerpatienter som på vuxna cancerpatienter.

Förhoppningen är att projektet ska bli ett första steg mot en svensk standard för automatiserad strålbehandling som inkluderar både vuxna och barn, samt förbereda och förenkla möjligheterna att använda denna typ av AI-metoder i klinisk praktik i Sverige.

Vad betyder finansieringen från Barncancerfonden?
– Finansieringen från Barncancerfonden är nödvändig för att vi ska kunna genomföra detta projekt, och något vi är oerhört tacksamma för!

Diagnostik av hjärntumörer med hjälp av AI

Ett annat AI-projekt som får anslag i Barncancerfondens medicintekniska utlysning är ett projekt som går ut med förbättrad diagnostik av hjärntumörer med hjälp av AI.

Neda Haj-Hosseini vid institutionen för medicinsk teknik vid Linköpings universitet får 800 000 kronor under ett år. Hon ska med hjälp av stora mängder bilder tagna med magnetkamera och biopsi-data av hjärntumörer hos barn utveckla AI-metoder som kan avgränsa och klassificera hjärntumörer.

– Tumörer i det centrala nervsystemet hos barn kräver komplicerade och långa behandlingar som ofta innebär en kombination av neurokirurgi, cytostatika och strålbehandling. Projektet föreslår AI-baserade metoder för att bättre kunna planera behandlingarna. Genom att förbättra planeringen av behandlingen kan den ske snabbare och med ökad noggrannhet, säger Neda Haj-Hosseini.  

Vad hoppas ni uppnå med projektet?

– Våra preliminära resultat på vuxna patienter uppvisar en hög noggrannhet för både magnetkamera och histologibilder från hjärntumörer hos vuxna. Vi hoppas nu på att kunna utveckla metoder som är anpassade för barn samt kunna tillgängliggöra en del av datan som även kan användas av andra forskare.

 

 

Ordlista:

Artificiell intelligens, AI: Artificiell Intelligens (AI) är intelligent beteende hos en maskin, till skillnad från naturlig intelligens som är intelligent beteende hos djur och människor.
Exempel på tillämpningar av artificiell intelligens är t.ex. i sökmotorer, rekommenderingssystem, digitala assistenter, riktad reklam, talförståelse och -syntes, ansiktsigenkänning, självkörande bilar, motståndare i spel, etc.

Segmentering: Metoder för att dela upp en bild i regioner som hör ihop på något sätt, t.ex. att identifiera de delar av en bild som utgör en cancertumör.

Maskininlärning: Maskininlärning är ett område inom AI där man använder insamlade data, till exempel faktiska exempel på ett önskat beteende (till exempel en bild samt eftersökt information om vad som finns i bilden, för att lära en matematisk modell av datan att fatta beslut eller att göra förutsägelser.

Artificiella neuronnät: Några av de mest framgångsrika maskininlärningsmodellerna under de senaste 10–15 åren är olika typer av neuronnät. De utvecklades med hjärnan som förebild (därav namnet, då neuron betyder nervcell), men liknelsen är mindre relevant i dag. Neuronnät är en speciell sorts maskininlärningsmodeller som har möjlighet att lära sig väldigt komplicerade samband i data. Genom att presentera mer data för nätverket går det över tid att förändra dess interna inställningar så att de blir bättre och bättre på att koppla ihop data med den önskade förutsägelsen eller beslutet. Artificiella neuronnät kan i dag lösa många problem där det inte finns någon känd koppling mellan data och förutsägelser eller beslut, alternativt där det skulle vara omöjligt att manuellt beskriva sambanden. Det kan till exempel vara att tolka handskriven text, känna igen ansikten, eller att identifiera vilka delar i en bild som utgör en cancertumör.

Faltningsnätverk: En typ av artificiella neuronnät som är särskilt användbara för bildigenkänning.

Histologibilder: Bilder av vävnad.

Källa: IDG.se samt Tommy Löfstedt