I fremtiden kan vi bruke datamaskiner til å skille kreftsvulster fra friskt vev på medisinske bilder. Det kan frigjøre tid for legene, som kan bruke tiden på pasientkonsultasjoner i stedet.
Stråleterapi er en av de mest brukte behandlingsmetodene ved kreft. Med stråleterapi er målet å gi høy nok stråledose til kreftsvulsten mens de friske organene rundt svulsten mottar så lav stråledose som mulig. Dette er viktig for å unngå strålerelaterte skader på friskt vev, som kan føre til redusert livskvalitet.
– Det å skille mellom svulsten og friske organer på medisinske bilder er en kritisk del når stråleterapi skal planlegges, sier Aurora Rosvoll Grøndahl ved Norges miljø- og biovitenskapelige universitet (NMBU). Hun har skrevet doktorgrad om hvordan man kan bruke maskinlæring til å skille mellom friskt vev og kreftsvulster.
I dag gjøres denne jobben av kliniske eksperter som tegner inn svulsten og organer i medisinske bilder for hånd. Dette er en tids- og arbeidskrevende oppgave, blant annet fordi det kan være vanskelig å se nøyaktig hvor grensen går mellom svulsten og det friske vevet rundt. I tillegg er inntegningene subjektive, og de kan variere betydelig, blant annet avhengig av legenes erfaring og opplæring. Slik variasjon kan påvirke strålebehandlingen og bildebaserte egenskaper som kan brukes til å forutsi utfallet av behandlingen.
Mye å spare på automatisering
På globalt nivå forventer man at kreftforekomsten vil øke med 50 % innen 2040. Nå vektlegges adaptive stråleterapistrategier stadig mer. Det er behandling hvor man hyppig tar bilder og tegner inn svulst og organer for å kunne tilpasse behandlingen hvis svulsten eller anatomien rundt endrer seg.
Hvis man kan bruke datamaskiner til å skille kreftsvulster fra friskt vev, såkalt automatisk segmentering, er det med andre ord mye tid og ressurser å spare.
– Når stadig mer data skal behandles, vil vi trenge mer effektiv og automatisert stråleterapi, slik at legene kan bruke mer av tiden sin på andre oppgaver, som pasientkonsultasjoner, sier Grøndahl.
Resultatene er lovende. Allerede i dag viser Grøndahls forskning at datamaskiner har potensial til å gjøre jobben omtrent like godt som leger kan. På sikt vil en datamaskin også kunne lære så godt at inntegningene vil variere mindre enn de gjør når leger tegner dem inn.
Trener datamaskiner til å kjenne igjen svulster
Automatisk segmentering av organer ved hjelp av maskinlæring har nylig blitt tatt i bruk ved flere helseinstitusjoner, og slike verktøy er kommersielt tilgjengelige hos store leverandører av medisinsk teknologi. Teknologien bak automatisk segmentering av svulster ved hjelp av maskinlæring er foreløpig mindre moden, men det foregår omfattende forskning på området. Grøndahls doktorgradsarbeid er en del av denne forskningen.
I avhandlingen undersøker hun tre ulike pasientgrupper: mennesker med hode- og halskreft, mennesker med analkreft, og hunder med kreft i hode- og halsregionen. Hun trente opp maskinlæringsmodellene til å etterligne inntegninger av svulster som leger eller veterinærer hadde tegnet inn i de medisinske bildene. Dette gjorde hun gjennom dyplæring, som er en metode der datamaskinen går gjennom mange eksempler på det den skal forstå – i dette tilfellet veldig mange medisinske bilder og tilhørende manuelle svulstinntegninger. Til slutt kan datamaskinen selv kjenne igjen hva som er en svulst og hva som er friskt vev i nye pasienter.
– Gjennom dyplæring fikk vi automatiske svulstinntegninger av høy kvalitet for alle pasientgruppene vi undersøkte, sier Grøndahl.
Nyttig verktøy for fremtidig kreftbehandling
Neste steg var å sammenligne inntegningene gjort av datamaskinen med inntegningene leger hadde gjort, og å se på om de samsvarte.
– Samsvaret mellom de beste dyplæringsmodellene fra datamaskinene og inntegningene gjort av leger var på nivå med samsvaret mellom inntegninger i tilsvarende pasienter der flere ulike leger hadde tegnet inn svulstene manuelt. Dette gjaldt for alle pasientgruppene innenfor den gitte krefttypen og metoden bildet ble tatt med, som CT eller MR, sier Grøndahl.
I tråd med annen forskning på feltet, viser funnene i Grøndahls avhandling at automatisk inntegning av svulster ved hjelp av dyplæring kan bli et nyttig verktøy i fremtidig kreftbehandling.
– Det er viktig å huske på at dette er et hjelpemiddel for legene. Selv om datamaskinen kan tegne inn svulsten, må en lege inn og kvalitetssikre det. Men det at man kan automatisere deler av jobben, vil frigjøre mye ressurser i en tid der det blir stadig mer data å behandle, sier Grøndahl.
Aurora Rosvoll Grøndahl, ved Fakultet for realfag og teknologi (REALTEK), forsvarer sin doktorgradsavhandling "Evaluering av maskinlæringsmetoder for automatisk tumorsegmentering" fredag 3. mars 2023. Disputasoppslaget finner du her.