Denne artikkelen er produsert og finansiert av NMBU - Norges miljø- og biovitenskapelige universitet - les mer.

– Selv om datamaskinen kan lage forslag til svulstinntegninger, må likevel en lege se på og bekrefte det som er gjort. Men bare det at maskinen kan gjøre forarbeidet, er ekstremt viktig, sier Oliver Tomic.
– Selv om datamaskinen kan lage forslag til svulstinntegninger, må likevel en lege se på og bekrefte det som er gjort. Men bare det at maskinen kan gjøre forarbeidet, er ekstremt viktig, sier Oliver Tomic.

Forskere lærer maskiner å finne kreften

Datamaskinen finner kreftsvulster og ser om pasienten står i fare for tilbakefall. Kunstig intelligens fra NMBU skal redde liv.

Publisert

En kreftsvulst kan behandles. Men det tar mye tid å finne ut nøyaktig hvordan det skal gjøres, og noen ganger får pasienten tilbakefall.

Forskere ved NMBU lærer opp datamaskiner slik at de kan gjøre jobben enklere.

Kunstig intelligens hjelper legene

– Dersom datamodellen peker på at en pasient ligger i fare for å få tilbakefall, kan legene sette inn andre tiltak tidligere, sier førsteamanuensis Oliver Tomic i forskningssenteret CEHEADS, Centre for Healthcare Data Science ved NMBU.

Forskerne her er statistikere, fysikere og datavitere og arbeider blant annet med å lære maskiner å analysere bilder av kreftsvulster.

Ingen av forskerne er leger, men de arbeider med kunstig intelligens som kan støtte jobben som legene gjør.

– Kunstig intelligens skal ikke erstatte menneskene. Den skal gi dem en hjelpende hånd, understreker professor Cecilia Futsæther.

– Vi ser på forskjellige typer kreft: underlivskreft, hode- og halskreft og analkreft. Så analyserer vi skannerbildene av svulstene til disse pasientene. Informasjonen som vi henter ut fra bildene, bruker vi til å lage maskinlæringsmodeller, forklarer Tomic.

Professor Cecilia Futsæther.
Professor Cecilia Futsæther.

Tegner inn svulstene

Slike maskinlæringsmodeller – kunstig intelligens – trener seg selv til å se og analysere medisinske bilder. En slik modell kan for eksempel anslå hvor sannsynlig det er at pasienten får et tilbakefall. En annen lovende type modell tegner inn hvor svulsten befinner seg, på hundrevis av medisinske bilder.

– Når pasienten skannes, lages det mange bilder. Legene ser på disse bildene og tegner inn et omriss rundt svulsten. Denne jobben krever nøyaktighet og tar selvsagt tid. Maskinlæringsmodeller kan lære å tegne inn dette omrisset. Hvis vi får nok sånne bilder hvor svulstene er tegnet inn, kan maskinen etterligne det som legen gjør, basert på vår oppskrift, sier Tomic.

Cecilia Futsæther viser frem en film av en pasient som er skannet fra nakken og oppover.

Filmen viser at en onkolog, en lege som er ekspert på kreft, har tegnet inn hvor pasienten har kreftsvulster. I neste scene har modellen gjort den samme jobben på samme pasient.

Resultatene er nesten helt like.

Førsteamanuensis Oliver Tomic i CEHEADS.
Førsteamanuensis Oliver Tomic i CEHEADS.

Vanskelig å se grensen

– Det vil alltid være variasjon mellom inntegningene fra forskjellige onkologer og radiologer. Det kan også være noe variasjon hvis samme lege tegner inn svulstene på den samme pasienten en uke senere, forklarer hun.

Det er rett og slett vanskelig å se nøyaktig hvor grensen går mellom svulst og friskt vev.

Samtidig er det viktig for behandlingen å finne disse grensene best mulig. Når pasienten skal få strålebehandling, beregnes stråledose og fokuspunkter ut fra hvor svulsten befinner seg.

Kreftsvulsten skal få høy stråledose, mens det friske vevet rundt skal skånes. Inntegningen brukes til å beregne behandlingen individuelt for hver enkelt pasient.

– Variasjoner i inntegninger av svulstene kan påvirke planene for stråledoser. Studier antyder at maskinlæringsverktøy kan hjelpe legene og redusere variasjonen i inntegningene, sier Futsæther.

– Vi trener disse modellene så godt det lar seg gjøre. Så langt har de vært veldig gode på et begrenset datasett. Nå skal modellene testes på bilder fra kliniske partnere ved andre samarbeidende institusjoner, forteller hun.

Så like blir resultatene når datamodellen og legen tegner inn svulstene. Legens fasit er den lysegule inntegningen, mens den mørkere er omrisset som datamodellen spådde.
Så like blir resultatene når datamodellen og legen tegner inn svulstene. Legens fasit er den lysegule inntegningen, mens den mørkere er omrisset som datamodellen spådde.

For få leger

– Selv om datamaskinen kan lage forslag til svulstinntegninger, må likevel en lege se på og bekrefte det som er gjort. Men bare det at maskinen kan gjøre forarbeidet, er ekstremt viktig. Det er begrenset hvor mange radiologer det finnes, samtidig som det produseres mer og mer data og flere og flere bilder. Da er det viktig å hjelpe til og å spare tid, sier Oliver Tomic.

Én ting er det ikke tvil om: Maskinen kommer til å gjøre feil noen ganger. Da sørger legen for at feilen ikke får noen betydning for pasienten, mens den kunstige intelligensen drar nytte av slike feil for å lære. For eksempel kan fyllinger i tennene og andre kunstige innslag i kroppen lure maskinen når den analyserer hode- og halskreftbilder.

– Maskinlæringsmodellen har bare bildene. Legen har sett pasienten, kjent på pasienten og har tilgang til andre typer undersøkelser, understreker Tomic.

Han legger til at den dagen datamaskinen også får tilgang til slik tilleggsinformasjon, kan resultatene bli enda bedre.

– Det som er spennende, er hvor en modell feiler. Det er når du ser det, at du pusher teknologien fremover, sier han.

CEHEADS-førsteamanuensis Kristian Hovde Liland.
CEHEADS-førsteamanuensis Kristian Hovde Liland.

En vei å gå før teknologien er på klinikken

Forskerne har skrevet flere vitenskapelige artikler om inntegning av svulster som maskinlæringsmodellene har generert. Artiklene er sendt inn til vurdering i vitenskapelige tidsskrifter.

Det er et stykke igjen før datamodeller fra NMBU kan tas i bruk i klinikken.

– Slike modeller må kvalitetssikres – det går ikke an å gjøre feil, sier Futsæther.

– Men allerede nå er vi på en presisjon som minner om det legen har. Derfor kan vi gjøre praktiske sammenligninger selv om vi ikke bruker modellen direkte som beslutningsverktøy, understreker Kristian Hovde Liland, førsteamanuensis ved CEHEADS.

Studentene konkurrerer

Han forteller om hvordan studenter får konkurrere om å bli best til å bruke og forbedre maskinlæringsmodeller.

– Studenter fikk medisinske bilder hvor leger allerede hadde tegnet inn strukturene. Oppgaven var å finne dem. Siden disse strukturene var små og lignet på andre områder i bildene, var dette en krevende oppgave. Vi laget rett og slett en maskinlæringskonkurranse for studentene. Konkurranse skaper alltid mye entusiasme og ofte gode resultater, sier Liland.

CEHEADS

  • CEHEADS er en forkortelse for «Centre for Healthcare Data Science». Senteret er en del av Fkultet for realfag og teknologi (REALTEK) ved NMBU.
  • Gruppen består av professor Cecilia Futsæther, førsteamanuensis Oliver Tomic, førsteamanuensis Kristian Hovde Liland, førsteamanuensis Ulf Indahl, stipendiat Aurora Rosvoll Grøndahl, stipendiat Anna Jenul og stipendiat Bao Ngoc Huynh. I tillegg er flere masterstudenter i miljøfysikk og data science tilknyttet gruppen med prosjektene sine.
  • Tidligere medarbeider og overingeniør Yngve Mardal Moe begynner i disse dager med doktorgraden sin ved Universitetet i Oslo.
  • CEHEADS-gruppen samarbeider med flere grupper av forskere ved andre norske universiteter: Universitetet i Oslo, Universitetet i Agder og NTNU, i tillegg til Oslo universitetssykehus og Ahus. Gjennom NMBU er CEHEADS også en del av det norske konsortiet for forskning på kunstig intelligens: NORA.