Maskiner skal lære seg hvor farlig kreften er
Ved Oslo universitetssykehus læres maskiner opp til å forutsi kreftsvulsters utvikling. Automatisering av kreftdiagnostikk skal gi mulighet for raskere og sikrere kreftbehandling innen 2021.
I de neste to tiårene er antall krefttilfeller i verden er forventet å øke fra 14 millioner til 22 millioner. Behovet for nye løsninger større enn noensinne.
For å lykkes med kreftbehandling, trengs bedre metoder for å forstå hver enkelt pasients sykdom og hvilken behandling som kreves.
Både over- og underbehandling er i dag et vanlig problem og en belastning for både pasienter og helsesystem.
I skjæringspunktet mellom informatikk og biomedisin ligger det et stort potensial for økt innsikt. For oss som forsker med et overordnet mål om å forbedre tilbudet til kreftpasienter, har de siste årenes teknologiske utvikling åpnet enorme muligheter.
Forskningsprosjektet DoMore! skal innen 2021 automatisere prosessen med å forstå hvordan pasientens kreft vil utvikle seg og hva slags behandling den krever.
Subjektive vurderinger
Å estimere sannsynlig utfall av kreftsykdom kalles prognostisering. Patologene som i dag utfører arbeidet, er leger med flere års spesialisering. Helsesystemene opplever stor mangel på denne spesialistgruppen.
Prognostiseringen av kreftsykdommen er basert på subjektive vurderinger. Hvis konklusjonen ikke er riktig kan det forårsake ekstra kostnader, unødvendige bivirkninger og i verste fall pasientens død.
Her er det viktig å påpeke at selve kreftdiagnosen svært sjelden blir feil.
Norske pasienter kan føle seg trygge på at patologene som analyserer prøvene oppdager kreft hvis de har det. Der det oftere går galt, er i vurderingen av hvilket stadium kreften er i.
Observasjoner fra studier viser at vurderingene av hvor alvorlig kreften er, blir riktige i cirka 60 prosent av tilfellene. Her ligger det altså et stort forbedringspotensial.
Lærer opp maskiner
De siste årenes fremskritt innen datakraft og prosessering har gjort det mulig å utforske langt større mengder data enn tidligere.
Algoritmer inspirert av hjernens struktur og funksjon bryter ned informasjonen til serier av enklere lag, såkalte nevrale nettverk. Ulike nettverk passer for ulike oppgaver. I DoMore! bruker vi en kategori som kalles konvolsjonsnett, spesielt egnet for bildeanalyse.
Enorme mengder bilder av kreftvev blir brukt til å trene maskinen til å kjenne igjen mønstre som karakteriserer pasienter med aggressiv sykdom. Pasienter med behov for tilleggsbehandling kan på denne måten skilles fra pasienter som ikke trenger det. Treningsprosessen kalles dyplæring (deep learning).
Det er betydelige summer å spare for samfunnet ved å kunne la en pasient med prostatakreft få aktiv overvåkning i stedet for kirurgi. Viktigst er likevel fordelene for pasienten som kan unngå bivirkninger av unødvendig behandling.
Unødvendige bivirkninger
Prostatakreft er et godt eksempel. For mange pasienter utvikler kreften seg så sakte at den aldri blir farlig. Fordi legene ikke vet med sikkerhet hvilke svulster dette gjelder, så får mange pasienter mer behandling enn de trenger og dermed kanskje unødige bivirkninger som impotens og inkontinens.
Det vi trenger er mer presise genetiske biomarkører. Til å karakterisere kreftprøver bruker vi stordata (big data), dyplæring, analyse av DNA-organisering og endringer i arvestoffet. Til sammen utgjør dette et sett av raske og objektive metoder som belyser viktige forhold i kreft og kreftutvikling.
