Med hjälp av artificiell intelligens kan röntgenläkare få hjälp att bedöma förändringar som kan tyda på cancer. Nu har forskare vid Chalmers utvecklat en ny datormodell som i nio fall av tio hittar tecken på lymfkörtelcancer.
Utvecklingen inom medicinsk bildanalys går nu mycket snabbt. Med hjälp av artificiell intelligens, AI, kan radiologer som analyserar röntgenbilder få stöd i sina bedömningar. Det kan också underlätta prioritering av 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. I och med att ett AI-system har tillgång till mycket mer information underlättar det även vid ovanliga sjukdomar där radiologerna sällan ser bilder, säger Ida Häggström som är forskare vid Chalmers tekniska högskola.
Letar efter tecken på cancer
Nu har Ida Häggström, tillsammans med forskare från flera länder, utvecklat en datormodell som ska underlätta upptäckt av cancer i lymfsystemet, skriver Chalmers i ett pressmeddelande.
I studien har forskarna undersökt ett bildmaterial som sträcker sig drygt tio år bakåt i tiden. Forskarna har jämfört bilder från positronemissionstomografi, PET, och datortomografi, CT, före och efter behandling med patienternas slutliga diagnos.
– 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, säger Ida Häggström.
Övervakad träning för datorn
Datormodellen som utvecklats är ett så kallat djupinlärningssystem som bygger på artificiell intelligens. En PET-bild matas in och analyseras av AI-modellen, som tränas i att hitta mönster och särdrag för att göra en så bra förutsägelse som möjligt om bilden innehåller lymfom eller inte.
Djupinlärningen innebär att att modellen själv lär sig vilka bildmönster som är viktiga.
– 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, säger Ida Häggström.
Stöd till radiologer
Att lära datorn att spåra cancer i bilderna är tidskrävande. Datormodellen måste också anpassas för att kunna skilja cancer från tillfälliga 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.
Nu återstår att validera datormodellen för att den ska kunna användas på ett sjukhus.
– 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, säger Ida Häggström.
Vetenskaplig studie:
Deep learning for [¹⁸F]fluorodeoxyglucose-PET-CT classification in patients with lymphoma: a dual-centre retrospective analysis, The Lancet Digital Health.
