Publicerad: 2025-01-15 13:35 | Uppdaterad: 2025-01-15 13:35

Nya djupinlärningsmodeller för histopatologisk bildanalys vid bröstcancer

Histopatologisk analys av tumörprover har länge använts för att diagnostisera bröstcancer och ge vägledning för kliniska beslut. En stor utmaning inom rutinmässig diagnostik är dock den variabilitet som finns mellan olika patologer och laboratorier vid bedömning av vävnadsbaserade prognostiska markörer, vilket kan leda till under- eller överbehandling av patienterna.

Abhinav Sharma

Med den pågående digitaliseringen av patologilaboratorier har beräkningspatologi också utvecklats. Här finns en potential att förbättra både rutin- och precisions-diagnostik, och erbjuda beslutsstöd till både patologer och behandlande läkare vilket kan bidra till en förbättrad bröstcancervård.
Djupinlärning tillhör kategorin Artificiell Intelligens (AI), som har potential att gå bortom traditionell patologi genom att förbättra riskbedömning, prognosistering och förväntad behandlingseffekt. Denna metod, känd som AI-baserad precisionpatologi, erbjuder nya möjligheter för bättre patientvård.

I sin avhandling har Abhinav Sharma vid Institutionen för medicinsk epidemiologi och biostatistik utvecklat och validerat djupinlärningsbaserade modeller för AI-baserad precisionspatologi för att förbättra bröstcancerdiagnos med hjälp av rutinmässigt infärgade tumörprover.

Vad är de viktigaste resultaten i din avhandling?

– Min avhandling består av fyra olika studier och några av mina viktigaste fynd sammanfattas nedan: I min första studie utvecklade och validerade vi en djupinlärningsbaserad modell (predGrade) för att klassificera invasiv bröstcancer. Modellen visade potential att minska variabiliteten hos olika kliniker eller laboratorier, vilket ger ett robustare kliniskt beslutsstöd för histologisk gradning av bröstcancer. I den andra studien validerade vi en AI-baserad lösning, Stratipath Breast, som används för riskstratifiering vid bröstcancer, på två olika svenska sjukhus. Det var en retrospektiv valideringsstudie där Stratipath Breast förbättrade prognostisk riskstratifiering för vissa bröstcancerpatienter, vilket kan användas för att undvika under- och överbehandling. I studie III introducerade vi en metodik (WEEP) för att undersöka beslutsfattandet hos AI-modeller inom både forskning och diagnostik. I studie IV utvecklade vi en djupinlärningsbaserad modell för prognostisk riskbedömning för rutininfärgade tumörprover från bröstcancerpatienter. Vi såg en förbättring i prediktionen av prognostisk bedömningen, vilket potentiellt kan erbjuda en lösning för bättre riskstratifiering av bröstcancerpatienter.

Varför blev du intresserad av det här ämnet?

– Jag har en tvärvetenskaplig bakgrund inom bioteknik och har alltid varit intresserad av att arbeta i gränslandet mellan biologi och teknologi. Framstegen inom tillämpningen av AI i hälso- och sjukvården, särskilt för att förbättra diagnostik och kunna ge personligt anpassade behandlingar för cancerpatienter, har fångat mitt intresse.

Vad tycker du bör göras i framtidens hälso- och sjukvård och forskningen?

– Nästa steg innebär att börja använda AI-baserade lösningar i kliniska miljöer, men först måste de genomgå noggrann validering och processer för godkännande. Det ska bli spännande att se hur dessa lösningar presterar i jämförelse med dagens prognostiska modeller som baseras på molekylär profilering. Inom forskningen har metoder för att integrera olika datakällor, som histologiska bilder kombinerat med omikdata och kliniska variabler vunnit mark. Detta möjliggör interaktion mellan många informationskällor och har potentialen att ge ökad kunskap om tumörprognos.