Doktorand vid CLINTEC tilldelas pris för bästa studentvetenskapliga arbete
För sitt arbete ”En djuplärnings-baserad metod för att bedöma tumöregenskaper hos patienter med duktala adenokarcinom i pankreas” tilldelas Dawid Rutkowski Svensk Förening för Medicinsk Radiologis (SFMR) studentpris för bästa vetenskapliga studentarbete med anknytning till radiologi eller nuklearmedicin inom läkarprogrammet under 2022.
I Dawids examensarbete utforskades möjligheterna med AI vid analys av medicinska bilder. Slutsatsen är att hybridbaserade AI-modeller uppvisar potential när det gäller detektion och volymetrisk bedömning av bukspottkörtelcancer.
Priset delas ut på torsdag 14 september under Röntgenveckan 2023 i Uppsala. Prissumman är på 5,000 kronor samt ersättning för resa, boende och deltagande på torsdagen under Röntgenveckan ingår.
Dawid är doktorand vid enheten för kirurgi och onkologi.
En djuplärnings-baserad metod för att detektera och bedöma tumöregenskaper hos patienter med duktala adenokarcinom i pankreas
Pankreascancer är en förödande sjukdom med en dyster prognos. Sjukdomen spås enligt epidemiologiska prognoser att bli den näst mest farliga cancerformen vid år 2030. Detta kan bl.a. tillskrivas den nuvarande bristen på tillgängliga biomarkörer, en stark ovilja att svara på nuvarande behandlingar och viktigast av allt, att man i en majoritet av fallen upptäcker sjukdomen i ett sent och avancerat stadium. I detta examensarbete utforskade vi möjligheterna med artificiell intelligens när det gäller analys av medicinska bilder och hur detta kan användas för att upptäcka samt segmentera pankreascancer på DT-bilder med intravenös kontrast i venös fas.
Tillsammans med sin handledare Matthias Löhr strävar de efter att vidareutveckla en djupinlärningsmodell som kan upptäcka och segmentera både pankreascancer och normal bukspottkörtelvävnad.
De vidareutvecklade en äldre hybridmodell som består av både konvolutionella lager och en transformatorkodare.
- Vi använde bilddata (n=600) från tre offentligt tillgängliga dataset (MSD, CPTAC-PDA och NIH Pancreas CT) för att träna och testa vår modell. Före träningen uteslöts alla patienter som hade blivit radiologiskt bedömda som icke-malignifierade cystor (IPMN/MCN) eller som misstänktes inneha tumörer av endokrint ursprung. Det slutliga antalet patienter (n=354) delades upp i träning, validering och testning som (165, 29, 160).
Modellen uppnådde en sensitivitet på 95 % och specificitet på 90 % för pankreascancer (95% CI 0.87-0.96, p=0.3865 & p=<2e-16 för Acc > NIR). Den uppvisade också ett genomsnittligt förgrundsbaserat dice score på 0.784 för normal bukspottkörtelvävnad samt 0.644 för pankreascancer.
Slutsatsen är att hybridbaserade AI-modeller uppvisar potential när det gäller detektion och volymetrisk bedömning av bukspottkörtelcancer.