Kuinka tietokonetta voi hyödyntää syövän hoidossa?

Syövän hoidossa käytetyt kuvantamismenetelmät ovat merkittävä osa hoitoa, mutta kuvien tulkinta on usein työlästä ja aikaa vievää. Koneoppiminen ja neuroverkot voisivat tulevaisuudessa olla avuksi PET-kuvien analyysissa.

Julkaistu: 6.2.2025
Teksti: Oona Rainio
Toimitustyö: Viestintätoimisto Jokiranta Oy

Syöpä on yksi maailman yleisimmistä kuolinsyistä. Maailmanlaajuisesti todetaan vuosittain jo noin 20 miljoona uutta syöpätapausta, ja määrän ennustetaan kasvavan väestörakenteen ikääntymisen ja elintason nousun myötä. Erilaiset lääketieteelliset kuvantamismenetelmät ovat merkittävä osa syövänhoitoa, koska niiden avulla saadaan selville syöpäkasvainten sijainti ja koko ihmiskehon sisässä. Niiden avulla voidaan valvoa, miten potilaan sairaus etenee ajan kuluessa ja eri hoitojen jälkeen.

Yksi näistä kuvantamismenetelmistä on positroniemissiotomografia eli PET. Se perustuu lyhytaikaisesti säteilevien radioaktiivisten aineiden hyödyntämiseen. Ennen kuvausta potilaan suoniin ruiskutetaan radioaktiivista merkkiainetta, joka leviää potilaan kehoon verenkierron välityksellä. Syöpäkuvantamisessa käytetään merkkiaineena yleensä fluorodeoksiglukoosia. Se sisältää fluorin radioaktiivista 18F-isotooppia, jonka puoliintumisaika on noin kaksi tuntia. Lisäksi aineessa on glukoosia, jota ihmiskeho käyttää energianaan.

Fluorodeoksiglukoosi kerääntyy syöpäkasvaimiin, koska hallitsemattomasti jakautuvat syöpäsolut tarvitsevat glukoosia enemmän kuin niitä ympäröivä terve kudos. Radioaktiivinen merkkiaine on koostumukseltaan niin epävakaata, että siitä alkaa irrota positroneiksi kutsuttuja pieniä hiukkasia, joiden törmäysreaktioissa syntyy gammasäteilyä. PET-kuvaukseen käytetään erityistä kameralaitetta, joka pystyy tallentamaan tämän säteilyn. Näin saadaan reaaliaikaista tietoa merkkiaineen leviämisestä kehon sisällä. Lääkärit näkevät PET-kuvasta, mihin kohtiin kehoa merkkiaine on kerääntynyt ja pystyvät näin päättelemään syöpäkasvainten sijainnin.

Koneoppiminen avuksi kuvien analysointiin

PET-kuvien analyysi on kuitenkin hyvin työlästä. Tyypillisesti lääkärit merkitsevät syöpäkasvaimet piirtämällä niiden ääriviivat kuviin, jotta voidaan nopeasti vertailla, miten syövän sijainti on muuttunut kahden PET-kuvauskerran välillä. Erilaiset automaattiset työkalut voisivat helpottaa lääkärien työtä, koska on paljon nopeampaa tarkistaa, onko syöpäkasvain merkitty oikein kuin piirtää sen sijainti kokonaan itse.

Automaattinen syöpäkasvainten merkitseminen vaatii koneoppimista. Koneoppimisella tarkoitetaan sellaisia malleja, jotka eivät pelkästään noudata etukäteen tarkasti määriteltyjä sääntöjä vaan kykenevät itse oppimaan, miten niiden tulisi toimia. Useimmiten oppiminen tapahtuu niin, että mallille annetaan suuri määrä sen koulutukseen tarkoitettua dataa ja kerrotaan, millaisia lopputuloksia juuri tästä datasta halutaan. Tavoitteena on, että malli oppii ensin, miten sen tulee toimia koulutusdatan suhteen saadakseen halutut tulokset. Sen jälkeen se voidaan yleistää käsittelemään myös sellaista dataa, jota malli ei ole käyttänyt koulutuksessaan.

Kuva 1. Pystysuunnan poikkileikkauskuva kolmiulotteisesta pään- ja kaulanalueen syöpäpotilaasta fluorodeoksiglukoosi-PET-kuvasta, jossa vaalea väri viittaa korkeaan merkkiainekertymään. Lääkärin määrittämä, syöpäkasvaimen todellinen ääriviiva on merkitty sinisellä.
Kuva 2. Saman potilaan vaakatason poikkileikkauskuva, joka annetaan neuroverkolle ennustettavaksi.
Kuva 3. Edellisen kuvan vaakatason poikkileikkauskuvaa vastaava lääkärin piirtämä segmentointimaski, jossa valkoiset pikselit ovat syöpää ja mustat tervettä kudosta tai taustaa, ja jonka ennustaminen on neuroverkon tehtävä.
Kuva-aineiston lähde: Joonas Liedes, PET-keskus, TYKS.

Konvoluutioneuroverkosta tehokas työkalu

Konvoluutioneuroverkko on yksi mahdollinen koneoppimismalli, joka on tarkoitettu nimenomaan kuvien käsittelyyn. Keinotekoiset neuroverkot ovat jopa miljoonia parametreja sisältäviä malleja, jotka on suunniteltu imitoimaan tiedon kulkemista ihmisaivojen neurosoluissa. Konvoluutiolla tarkoitetaan tässä yhteydessä tietynlaista matriisien laskutoimitusta, jonka avulla malli pystyy käsittelemään kuvia säilyttäen vierekkäisten pikselien tuottaman informaation kuvan sisällöstä.

Konvoluutioneuroverkko voidaan suunnitella niin, että se ennustaa sille annetun kuvan jokaisen pikselin olevan joko positiivinen tai negatiivinen. Syöpäkuvien yhteydessä positiivinen tarkoittaa, että kyseinen pikseli osuu kuvassa syöpäkasvaimen alueelle, kun taas negatiivinen pikseli ei sisällä syöpää. Tämä malli sitten koulutetaan siten, että sille annetaan useita satoja tai tuhansia kuvia ja jokaiselle kuvalle segmentointimaskit, joissa on tieto pikselien oikeista luokituksista.

Näin konvoluutioneuroverkko voidaan opettaa tunnistamaan syöpäkasvaimet PET-kuvista niiden merkkiainekertymän perusteella, kunhan mallin koulutukseen on riittävästi sellaista dataa, joissa pikselien todelliset luokitukset tiedetään. Vaikka mallin suunnittelu ja datan kerääminen on työlästä, konvoluutioneuroverkko oppii myös ennustamaan uusia kuvia. Kun riittävän tarkka konvoluutioneuroverkko on kehitetty tietynlaisen syöpätyypin tunnistamiseen, lääkäri voi käyttää sitä työnsä tukena.

Oona Rainio väitteli matematiikan tohtoriksi Turun yliopistosta syksyllä 2021. Kolmen viime vuoden ajan hän on työskennellyt tutkijatohtorina Turun PET-keskuksella. Hän tutkii koneoppimisen ja tilastotieteen menetelmien soveltamista lääketieteellisten kuvien käsittelyssä.

Linkkejä: