Hvert år får omtrent 1700 nordmenn påvist føflekkreft. Rundt 350 dør av sykdommen. 

Nordmenn har i flere år ligget på Europa-toppen for føflekkreft, og selv om flere innbyggere i Sveits og Danmark nå rammes av sykdommen enn i Norge, et det flere nordmenn som dør av den. Ingen kan svare på hvorfor det er slik, men én forklaring kan være at sykdommen oppdages for sent, melder NRK denne uken.

En ny metode som tar i bruk en mer avansert måte å vurdere føflekker på digitalt kan, om ikke annet, bidra til at føflekkreft diagnostiseres tidligere og mer presist. 

Kevin Thon har gjennom sitt doktorgradsarbeid undersøkt hvordan overflaten på føflekken kan vurderes automatisk, og han har sett på hvordan et dataprogrammer skal skaleres for å skille hår og hud i føflekkanalysene.

Raskere og mer presist

Vanligvis gjør legen en rekke vurderinger når han eller hun analyserer mistenkelige føflekker. De vil se etter asymmetri, farge, grensegang mot hud, struktur m.m. Alle vurderinger vil vektes og samlet legges til grunn for en medisinsk diagnose.

De siste 10 åren har det imidlertid skjedd en rivende utvikling innen bruk av datamaskiner som diagnostiske verktøy for å avsløre føflekkreft, men metodene har sine utfordringer. 

Blant annet er det vanskelig for et digitalt verktøy å vurdere hva som er et hårstrå og hva som er hud. Det er blant annet dette Thon har forsøkt å finne en løsning på ved å forsøke å videreutvikle analyser for mistenkelige føflekker. 

Metodene han har arbeidet med kan altså tenkes brukt til å oppdage føflekkreft på et tidligere tidspunkt, og et computerbasert diagnosesystem vil sammen med legens vurderinger gi en raskere og sikrere diagnose, ifølge Thon.

Siden det ikke er noen grunn til å tro at hår inneholder noen diagnostisk informasjon, er det viktig å utvikle systemer som kan skille dem ut av analysen slik at de ikke påvirker den endelige diagnosen.

Hår vil skille seg ut som mørkere enn sine omgivelser og vil i de fleste tilfeller være av en annen farge enn føflekken. Hår vil i et bilde fremstå som lange mørke linjer og Thon har  jobbet med å finjustere programmet til å skille linjer fra andre formasjoner, og bestemme hvor lang og mørk linjen kan være for å bli klassifisert som et hårstrå.

Statistikk i praksis

Forskere ved Institutt for matematikk og statistikk ved Universitetet i Tromsø har i lengre tid arbeidet med flerskalametoder, det vil si metoder der man vurderer bildedataene over et spenn av flere skalaer fremfor å lete etter én optimal skala.

Bakgrunnen for forskningen var et ønske om å kunne videreutvikle og anvende slike metoder i praktiske problemstillinger. En analyse av f. eks temperaturvariasjoner kan gi vidt forskjellige utfall om man ser på daglige variasjoner kontra temperatursvingninger over mange år.

Så istedet for å fokusere på én skala, kan det altså gjøres flerskalaanalyse over en lengre tidsperiode, noe Thon har benyttet seg av i sitt arbeid.

Jevn eller ujevn, flekk eller ikke flekk

For å vurdere et medisinsk bilde, må det settes noen kriterier som kan beskrive en normaltilstand og eventuelle avvik fra normaltilstanden. Det vil si at det må settes opp en serie parametere som beskriver bildet. Konklusjonene av en statistisk analyse vil derfor avhenge av hvilke parametere som settes.

Man må på forhånd ha en angitt skala for å kunne bestemme hvor stor eller liten ujevnhet, og hvor lyst eller mørkt området på føflekken kan være for å klassifiseres som en forhøyning  eller en prikk. Hvordan disse parametere skulle settes ble gjort i samarbeid med en erfaren dermatolog.

Bildene til høyre viser hvordan ulik skalering av programvaren påvirker bildeanalysen. Ved lav skalering (øverst) vil flere detaljer i bilder plukkes opp. Alle hår vil bli inkludert i analysen, men medfører også en del unødig støy i bildet, i dette tilfellet fargenyanser i huden rundt føflekken. 

Ved valg av en grovere skalering (nederst) fjernes irrelevant informasjon fra analysen, men man kan også se at dette vil fjerne de tynneste hårstråene som man ønsker å få utelatt i vurderingen.

Oppgaven til Thon har gått ut på å finjustere programvaren slik at bare relevant informasjon i bildet inkluderes i diagnostisering av føflekken.

Referanse:

Thon, Kevin: “Multiscale methods for Statistical Inference on Regular Lattice Data”, UiT Norges arktiske universitet, des. 2013. Sammendrag