Hur kan datorer utnyttjas i cancervården?

De avbildningsmetoder som används vid behandlingen av cancer utgör en viktig del av vården, men det är ofta både arbetsdrygt och tar lång tid att tolka bilderna. Maskininlärning och neurala nätverk kunde i framtiden vara till hjälp vid analysen av PET-bilder.

Publiserat: 6.2.2025
Text: Oona Rainio
Bild: iStock
Redigering: Viestintätoimisto Jokiranta Oy

Cancer är en av de vanligaste dödsorsakerna i världen. Varje år konstateras globalt redan cirka 20 miljoner nya cancerfall, och antalet förutspås öka i och med att befolkningsstrukturen blir äldre och levnadsstandarden stiger. Olika medicinska avbildningsmetoder utgör en viktig del av cancervården, eftersom man med hjälp av dem kan klarlägga cancertumörernas läge och storlek inne i människokroppen. Tack vare avbildningsmetoderna kan man övervaka hur patientens sjukdom fortskrider över tid och efter olika behandlingar.

En av dessa avbildningsmetoder är positronemissionstomografi, dvs. PET. Metoden grundar sig på utnyttjandet av radioaktiva ämnen med kortvarig strålning. Före avbildningen injiceras ett radioaktivt markörämne in i patientens blodkärl. Ämnet sprider sig sedan i patientens kropp via blodomloppet. Vid canceravbildning används i allmänhet fluorodeoxiglukos som markör. Ämnet innehåller en radioaktiv 18F-fluorisotop som har en halveringstid på cirka två timmar. Dessutom innehåller ämnet glukos som människokroppen använder som energi.

Fluorodeoxiglukos ansamlas i cancercellerna eftersom cancercellerna, som delar sig okontrollerat, behöver mer glukos än den omgivande friska vävnaden. Den radioaktiva markören har en så instabil sammansättning att små partiklar som kallas positroner börjar lossna från den. När dessa positronerna kolliderar med varandra uppkommer gammastrålning. Vid PET-avbildning används en speciell kamerautrustning som kan registrera denna strålning. På så sätt får man realtida information om hur markören har spridit sig i kroppen. På PET-bilden ser läkarna på vilka ställen i kroppen markörämnet har ansamlats och kan därigenom ta reda på var i kroppen cancertumörerna finns.

Maskininlärning till hjälp vid bildanalys

Det är ändå mycket arbetsdrygt att analysera PET-bilderna. Vanligen markerar läkarna cancertumörerna genom att rita in deras konturer på bilderna så att man snabbt kan jämföra hur cancerns läge har förändrats mellan två PET-avbildningar. Olika automatiska verktyg skulle kunna underlätta läkarnas arbete, eftersom det går mycket snabbare att kontrollera huruvida cancertumören har markerats korrekt än att helt själv rita in dess läge.

Automatisk markering av cancerceller kräver maskininlärning. Maskininlärning avser sådana modeller som inte enbart följer tidigare noggrant fastställda regler, utan som också själva kan lära sig hur de borde agera. Inlärningen sker oftast så att modellen ges en stor mängd data avsedd för dess utbildning och informeras om hurdana slutresultat man vill ha från just den datan. Målet är att modellen först lär sig hur den ska agera med dessa utbildningsdata för att åstadkomma önskade resultat. Därefter kan modellen generaliseras för att behandla också sådana data som modellen inte har använt under sin utbildning.

Bild 1.Vertikal snittbild av en tredimensionell fludeoxiglukos-PET-bild av en patient med cancer i huvud- och halsområdet. På bilden tyder ljus färg på hög ansamling av markörämne. Cancertumörens faktiska konturer, fastställda av läkaren, har markerats med blått.
Bild 2. Horisontell snittbild av samma patient, som används för prognostisering med ett neuralt nätverk.
Bild 3. Av läkaren ritad segmenteringsmask som motsvarar den horisontella snittbilden av föregående bild, på vilken de vita pixlarna är cancer och de svarta frisk vävnad eller bakgrund och som det neurala nätverket ska prognostisera.
Bildmaterialets källa: Joonas Liedes, PET-centret, ÅUCS.

Konvolutionella neurala nätverk – effektiva verktyg

Ett konvolutionellt neuralt nätverk är en potentiell modell för maskininlärning avsedd uttryckligen för bildbehandling. Artificiella neurala nätverk är modeller som kan innehålla miljoner parametrar designade för att imitera hur data förmedlas i de neurala cellerna i människans hjärna. Konvolution avser i detta sammanhang en viss typ av räkneoperation för matriser, med vars hjälp modellen kan behandla bilder och samtidigt bevara den information om bildens innehåll som de intilliggande pixlarna producerar.

Ett konvolutionellt neuralt närverk kan designas så att det kan förutse att varje pixel i den aktuella bilden är antingen positiv eller negativ. I fråga om cancerbilder innebär positiv att respektive pixel på bilden finns inom cancertumörens område, medan en negativ pixel inte innehåller cancer. Denna modell utbildas sedan så att hundratals eller tusentals bilder matas in, och varje bild får segmenteringsmasker med data om pixlarnas korrekta klassificeringar.

På så sätt kan ett konvolutionellt neuralt nätverk läras att identifiera cancertumörer på PET-bilderna utifrån deras ansamling av markörämne, förutsatt att modellen för utbildningen innehåller tillräckligt av sådana data där pixlarnas faktiska klassificeringar är kända. Trots att designandet av modellen och insamlingen av data är arbetsdryga lär sig konvolutionella neurala nätverk också att prognostisera nya bilder. När ett tillräckligt exakt konvolutionellt neuralt nätverk har designats för identifieringen av en viss cancertyp kan läkaren använda det som stöd i sitt arbete.

Oona Rainio disputerade för doktorsgraden i matematik vid Åbo universitet hösten 2021. Under de tre senaste åren har hon arbetat som forskardoktor vid PET-centret i Åbo. Hon forskar i tillämpningen av metoder för maskininlärning och statistik i behandlingen av medicinska bilder.

Länkar: