Bristen på patologer runt om i Sverige gör att diagnosticering kan ta lång tid. Studier har också visat att patologläkare ofta gör olika bedömningar av hur allvarlig en tumör är. Ett forskningsprojekt på Lunds universitet tittar på hur artificiell intelligens kan hjälpa till i bedömningen av vävnadsprover. 

–Tekniken kan leda till snabbare och säkrare diagnoser så att patologerna kan fokusera på det som faktiskt är cancer, säger Ida Arvidsson, doktorand vid Matematikcentrum vid Lunds universitet.

I ett pågående forskningssamarbete mellan Skånes universitetssjukhus och Matematiska institution vid Lunds universitet har man använt 700 biopsiprover från 174 patienter. Biopsiproverna färgas in, scannas i ett mikroskop och blir en digital bild. Patologerna har sedan fått markera hur allvarlig cancern är enligt Gleasonskalan som anger cancervävnadens utseende på en skala från 3 till 5, där Gleasongrad 4 och 5 har potential att utveckla metastaser. 

– Vi använder oss av Deep Learning och har med hjälp av den insamlade datan tränat upp ett så kallat faltande neuralt nätverk, på engelska heter det convolutional neural network. Vi återskapar patologernas arbete och använder det till att bedöma nya fall, berättar Ida Arvidsson, doktorand vid Matematikcentrum.

Projektet handlar kort sagt om att identifiera bilder.

– Målet är att utveckla en algoritm som kan hjälpa patologerna så att diagnosticeringen går snabbare men också komma närmare någon form konsensus så att bedömningen inte är lika subjektiv som idag. I ett första steg kan den artificiella intelligensen hjälpa patologerna att hitta alla prov som är friska så att de kan fokusera på dem där det faktiskt är cancer. Det skulle leda till bättre och säkrare diagnoser, säger Ida Arvidsson.

Under forskningsprojektets gång har det blivit uppenbart att det neurala nätverket reagerar annorlunda på digitala bilder från andra sjukhus i landet och på äldre bilder där infärgningen kan ha ändrats. 

– Vi vill utveckla en algoritm som ska kunna användas på alla sjukhus i hela Sverige. En viktig fråga är hur vi kan hantera de digitala bilderna för att mer likna varandra – hur man bygger in det i algoritmen, säger Ida Arvidsson.

Det är Anders Bjartell, professor och överläkare i urologi vid Lunds universitet och Skånes universitetssjukhus, som har startat projektet som nu pågått i tre år. Ida Arvidsson menar att det kan behövas ännu längre studier där man kan följa upp patienter över tid och utifrån de resultaten uppdatera Gleasonskalan, som är omdiskuterad:

– Istället för att gå på patologens bedömning vet vi vad utfallet är. Men det är ett större projekt – det behövs mer data och mer tid. Det finns absolut potential för att bli mycket bättre.