07 kesä Tekoäly kykenee eturauhassyövän diagnosointiin ja Gleason-pisteytykseen kokeneita urologiaan erikoistuneita patologeja vastaavalla tavalla

DI Kimmo Kartasalon biolääketieteen tekniikan alaan kuuluva väitöskirja ”Machine learning and 3D-reconstruction methods for computational pathology” ( http://urn.fi/URN:ISBN:978-952-03-1953-3) tarkastettiin Tampereen yliopiston lääketieteen ja terveysteknologian tiedekunnassa 21.5.2021.

Vastaväittäjänä toimii professori Johan Lundin Karoliinisesta instituutista, kustoksena dosentti Pekka Ruusuvuori Tampereen yliopistosta.

I    https://doi.org/10.1109/icip.2016.7532781

II   https://doi.org/10.1093/bioinformatics/bty210

III  https://doi.org/10.1002/cyto.a.23089

IV  https://doi.org/10.1016/s1470-2045(19)30738-7

Väitöskirja käsittelee kahta laskennallisen patologian tekniikkaa: koneoppimista ja kolmiulotteisia rekonstruktioita rinta- ja eturauhassyövän diagnostiikassa.

Kudosnäytteiden mikroskooppinen tutkimus on ensisijaisen tärkeää syöpätautien diagnostiikassa ja sitä kautta myös hoidon suunnittelussa. Kliinisen käytännössä ongelmia aiheuttavat mm. patologien antamien diagnoosien epäyhdenmukaisuus sekä pula patologeista.

Viime vuosien digitaalisen kehityksen seurauksena skannerit ovat tulossa mikroskooppien tilalle patologiassa. Tämä mahdollistaa tuotetun kuvadatan laskennallisen käsittelyn. Se mahdollistaa myös kolmiulotteisen histologian, jossa sarjaleikattuja kudosnäytteitä rekonstruoidaan laskennallisesti.

Koneoppiminen tietotekniikan osa-alue, joka pyrkii ns. neuroverkkojen algoritmien avulla jäljittelemään älykästä̈ päätöksentekoa.

Tekoälyn kouluttamiseksi ja testaamiseksi tutkijat skannasivat digitaalisesti yli 8000 eturauhasen koepalaa, jotka oli kerätty noin 1200 ruotsalaiselta 50–69-vuotiaalta mieheltä (osatyö neljä: https://doi.org/10.1016/s1470-2045(19)30738-7).

Tutkijat kouluttivat tekoälyn erottamaan hyvänlaatuiset ja pahanlaatuiset koepalat käyttämällä noin 6600 näytettä esimerkkeinä.

Tekoälyn suorituskykyä testattiin käyttäen jäljelle jääneiden koepalojen lisäksi näytteitä kahdesta muusta tietokannasta. Järjestelmän tuottamia tuloksia verrattiin lopuksi 23 kokeneen uropatologin suorittamiin arvioihin.

Tulokset osoittivat, että tekoälyjärjestelmä kykeni miltei virheettömästi erottelemaan syöpää sisältävät koepalat hyvänlaatuisista koepaloista. Tekoäly onnistui lisäksi arvioimaan suurella tarkkuudella syöpäkudoksen pituuden kussakin koepalassa, mikä on diagnostisesti ja ennusteen kannalta merkittävä lisätieto. Kun tarkasteltiin tekoälyn suorituskykyä eturauhassyövän vakavuuden arvioinnissa niin sanottua Gleason-luokitusta käyttäen, järjestelmän havaittiin niin ikään tuottavan asiantuntijoiden kanssa vertailukelpoisia tuloksia.

Nyt julkaistut tulokset ovat lupaavia, mutta tutkijoiden mukaan lisätyötä vaaditaan vielä ennen kuin tekoälypohjainen diagnostiikka on arkipäivää kliinisessä käytössä. Keskeinen edellytys tekoälyn laajalle hyödyntämiselle on varmuus siitä, että järjestelmä toimii luotettavasti myös kliinisessä arjessa, jossa koepalojen ulkonäkö vaihtelee muun muassa eri laboratorioiden ja eri skannerilaitteiden välillä.