Bruker kunstig intelligens for å bedre kreftbehandlingen

Ved bruk av radiologiske bilder og kunstig intelligens vil overlege og professor Ingfrid Haldorsen stille korrekt diagnose og skreddersy kreftbehandlingen til hver enkelt pasient.

Tekst: Marte Ingeborg Stangenes, Foto: Øystein Fykse
Publisert 01.06.2022
Sist oppdatert 30.04.2024
Gruppebilde av forskningsgruppen Bergen Cancer Imaging Research Group. Foto
Bergen Cancer Imaging Research Group ved Mohn Medical Imaging and Visualization Center, f.v.: Kristine E. Fasmer, Heidi Espedal, Ingfrid Haldorsen, Kari Wagner-Larsen, Njål Lura, Ankush Gulati, Erlend Hodneland, Jenny Lyngstad og Satiesh Kaliyugarasan.

​Prosjektet «Maskinlæring, kunstig intelligens og avanserte bildeteknikker for skreddersydd behandlign av livmorkreft» har mål om å effektivisere og bedre utredning og behandling av pasienter med livmorkreft og livmorhalskreft. Helt i tråd med prinsippet for persontilpasset behandling.​

– Et viktig prinsipp for kreftomsorgen er å sikre persontilpasset behandling der mest mulig skånsom behandling tilbys de som har lav risiko for tilbakefall, og mer omfattende behandling tilbys pasienter med høy risiko for alvorlig sykdomsforløp, forteller Haldorsen.

Ingfrid Haldorsen foran tre dataskjermer med MR-bilder. Foto

Overlege og professor Ingfrid Haldorsen er leder av Mohn Medical Imaging and Visualization Centre ved Haukeland universitetssjukehus og leder av forskningsgruppen Bergen Cancer Imaging Research Group.

Presis diagnostikk

Selv om prognosen ved livmorkreft og livmorhalskreft vanligvis er god, vil 20-30 prosent av pasientene få tilbakefall. Det er derfor behov for presis diagnostikk som gir informasjon om pasientens risiko for tilbakefall.

Haldorsen og hennes forskerkolleger forsøker å bruke nye bildediagnostiske metoder for å analysere kreftsvulsten og avdekke markører som kan knyttes til svulstens vekst- og spredningsmønster og dermed også til risiko for tilbakefall og død.

Radiomics er en samlebetegnelse for avanserte vevsegenskaper som man kan analysere i et bilde. Disse vil være veldig forskjellig i friskt vev og i en kreftsvulst. Etter at radiologer har tegnet rundt svulsten på bildene, kan datamskiner trenes til å gjenkjenne og tegne rundt nye svulster automatisk. Matematiske modeller brukes for å analysere bildeegenskapene til inntegnede svulster. På den måten kan man avdekke ukjente mønstre og egenskaper ved svulsten som er umulig å fange for det nakne øyet.

– Ved å studere bilder slik, har vi nå tilgang til tidligere ukjent informasjon om kreftsvulsten som kan brukes til å skreddersy behandlingen. Denne måten å arbeide på har vært enormt spennende og lærerik for hele forskergruppen, sier Haldorsen.

Viktige resultater

Forskningsgruppen har publisert forskningsartikler som omhandler radiomics både fra deler av livmorsvulsten og basert på hele svulsten, som tyder på at disse bildeegenskapene er sterkt knyttet til sykdommens aggressivitet.

Ingrid Haldorsen og to forskerkolleger foran dataskjermer. Foto

Radiologene Kari Wagner-Larsen, Njål Lura og Ingfrid S. Haldorsen gransker MR-bildene.

Viktig informasjon om svulstens forventede biologi kan derfor fremskaffes ved bruk av radiomics og, sammen med annen informasjon fra bilder (for eksempel tegn til spredning) og fra vevsprøver, brukes for å bedre tilpasse behandlingen ved livmorkreft og livmorhalskreft.

Videre har gruppen nylig vist at det er mulig å trene en maskinlæringsalgoritme til å oppdage, og ikke minst, avgrense livmorkreftsvulster med samme nøyaktighet som når dette arbeidet blir utført av radiologer. Maskinen er også programmert til å identifisere pasienter med høyere risiko for tilbakefall.
To forskere foran to dataskjermer med MR- og PET-bilder. Foto

Heidi Espedal og Jenny Lyngstad jobber med MR- og PET-bilder av mus med livmorkreft.

– Metoden gjør at pasienter med høy sannsynlighet for å utvikle aggressiv sykdom vil kun​ne identifiseres tidligere i behandlingsforløpet og kan tilbys mer omfattende behandling og individualisert oppfølging basert på risikoprofil. 

– Samtidig kan pasienter med lav sannsynlighet for aggressiv sykdom tilbys mindre omfattende behandling som gir mindre bivirkninger og sikrer god livskvalitet. Dette er av stor betydning for både pasienter og behandlere fordi vi nå vil få mulighet til å tilby disse pasientene en mer målrettet behandling, sier Haldorsen.​

​​

Fakta

  • ​Studien inkluderer pasienter fra Vestland som utredes og behandles for livmorkreft og livmorhalskreft ved Haukeland universitetssjukehus.
  • Studiene er støttet gjennom tildelinger fra Samarbeidsorganet Helse Vest, Trond Mohn stiftelse, Norges forskningsråd og Kreftforeningen.
  • Alle pasienter får tilbud om MR- og PET-CT-undersøkelser i forkant av behandling.
  • Radiologiske bilder og vevsprøver fra mer enn 700 pasienter med livmorkreft og 500 pasienter med livmorhalskreft er samlet i bildearkiv og Biobank Haukeland.
  • Forskningsgruppen ved Mohn Medical Imaging and Visualization Centre (MMIV) ved Radiologisk avdeling samarbeider tett med Bergen gynekologiske kreftforskingsgruppe ledet av Camilla Krakstad ved Kvinneklinikken om dette prosjektet.​​


Publikasjoner

  • Fasmer KE, Hodneland E, Dybvik JA, Wagner-Larsen K, Trovik J, Salvesen Ø, Krakstad C, Haldorsen IHS. Whole-Volume Tumor MRI Radiomics for Prognostic Modeling in Endometrial Cancer. J Magn Reson Imaging. 2021 Mar;53(3):926-937. doi:10.1002/jmri.27444. Epub 2020 Nov 16. https://pubmed.ncbi.nlm.nih.gov/33200420/​ 
  • Hodneland E, Dybvik JA, Wagner-Larsen KS, Šoltészová V, Munthe-Kaas AZ, Fasmer KE, Krakstad C, Lundervold A, Lundervold AS, Salvesen Ø, Erickson BJ, Haldorsen I. Automated segmentation of endometrial cancer on MR images using deep learning. Sci Rep. 2021 Jan 8;11(1):179. doi: 10.1038/s41598-020-80068-9. https://pubm​ed.ncbi.nlm.nih.gov/33420205/
  • Hoivik EA, Hodneland E, Dybvik JA, Wagner-Larsen KS, Fasmer KE, Berg HF, Halle MK, Hadorsen IS, Krakstad C. A radiogenomics application for prognostic profiling of endometrial cancer. Commun Biol. 2021 Des 6;4(1):1363. doi: 10.1038/s42003-021-02894-5. https://pubmed.ncbi.nlm.nih.gov/34873276/
  • https://mmiv.no/cancerimaging​​​