Publicerad: 2023-10-25 09:08 | Uppdaterad: 2023-10-25 12:57

Avhandling om möjligheterna med AI för precisionsdiagnostik av tumörvävnad

Under de senaste åren har det skett snabba framsteg inom området för beräkningspatologi, vilket inbegriper tillämpningen av artificiell intelligens (AI) inom patologi. Traditionell patologi innebär studiet av sjukdomar genom att undersöka vävnadsprover. I beräkningspatologi analyseras digitala patologibilder med hjälp av datoralgoritmer för att extrahera relevant information.

Här används olika tekniker från maskininlärning, bildanalys och statistik för att assistera patologer, eller andra kliniker, i sjukdomsdiagnos och prognos. Utvecklingen av metoder inom beräkningspatologi har två huvudsakliga syften; automatisering av rutinflöden som annars skulle utföras av patologer och utveckling av metoder för att extrahera ny information från vävnadsbilderna. I sin avhandling fokuserar Philippe Weitz, doktorand vid Institutionen för medicinsk epidemiologi och biostatistik, på utveckling, tillämpning och utvärdering av nya metoder för precisionsdiagnostik.

Vad har du undersökt i din avhandling?

– De första två studierna i min avhandling fokuserar på utveckling och utvärdering av metoder för prediktion av genuttryck från histopatologiska bilder. I mina övriga tre studier fokuserar vi på registrering av patologibilder. En av mina publikationer beskriver ACROBAT-datasetet, som vi publicerade för att genomföra en tävling inom analys av histopatologiska bilder.

Varför blev du intresserad av ämnet?

– Framstegen inom metoder för storskalig dataanalys och tillgängligheten av stora dataset har möjliggjort utvecklingen av modeller inom maskininlärning och AI för medicinsk diagnostik i forskningssammanhang. Jag tror att dessa metoder har potential att förbättra nuvarande kliniska rutiner, och jag vill bidra till denna utveckling. Det är väldigt motiverande för mig att resultaten av min forskning kan komma patienter till nytta.

Vad tycker du bör göras i framtida forskning?

– Framåt bör vi göra flera och mer omfattande valideringsstudier av de metoder och lösningar som utvecklas av oss och andra. Just nu förlitar sig många studier på interna testdataset för att utvärdera algoritmprestanda, vilket ger otillräckligt stöd för att kunna införa dessa lösningar bredare inom klinisk patologi.