Prostatacancer: mot en individualiserad vård med AI-assisterad patologi och förbättrad aktiv monitorering
Prostatacancer är ett globalt hälsoproblem och den vanligaste cancerrelaterade dödsorsaken i Sverige. Screening för prostatacancer med PSA minskar dödligheten men leder också till betydande överdiagnostik överbehandling av lågriskcancrar. Den patologiska bedömningen av vävnadsprover styr valet av behandling.
Nuvarande klinisk praxis står dock inför utmaningar som t ex att olika patologer kan komma till olika slutsatser trots att de studerar samma vävnadsprover. Det finns dessutom en brist på uropatologer i Sverige och internationellt. För att balansera fördelarna med screening mot risken för överdiagnosticering och överbehandling är det därför av största vikt att förbättra riskstratifieringen och effektivisera den aktiva monitoreringen.
Doktorand Henrik Olsson vid Institutionen för medicinsk epidemiologi och biostatistik har i sin avhandling fokuserat på att förbättra metoderna för aktiv monitorering av patienterna och utveckling av prediktionsmodeller för diagnosticering av prostatacancer.
Vad är de viktigaste resultaten i din avhandling?
Aktiv monitorering syftar till att minska överbehandling och potentiella negativa effekter av behandling. Aktiv monitorering tillämpas i allt högre grad som alternativ till botande behandling av prostatacancer med låg risk. En nackdel är att männen genomgår ett stort antal biopsier vilket i sin tur påverkar deras följsamhet till uppföljande vävnadsprovtagning samtidigt som de utsätts för ökad risk för infektioner och andra komplikationer. I min första studie fann vi att de flesta som stod under aktiv monitorering tenderade att kvarstå i monitoreringen men att de inte följdes upp enligt gällande riktlinjer. Mot denna bakgrund startade vi STHLM3-AS studien i syfte att finna en mindre invasiv metod för upptäckt av allvarlig prostatacancer med hjälp av det så kallade Stockholm3-testet i kombination med MR med riktade vävnadsprover. Sammanfattningsvis visar våra studieresultat att en kombination av systematiska och MR-riktade biopsier ger en högre precision för uppgradering av prostatacancer. Vår slutsats är att inkludering av riskprediktionsmodeller i aktiv monitorering kan minska behovet av MR hos patienter med prostatacancer med låg risk.
I den AI-modell för prostatacancerdiagnostik som vi utvecklat visar resultaten att AI-baserad utvärdering kan hjälpa patologer i bedömningen och minska risken för subjektiv tolkning. AI-baserad diagnostik kan vara ett alternativ i delar av världen där det helt saknas patologisk expertis. Det behövs dock behövs ytterligare validering innan AI-systemet kan introduceras kliniskt. Särskilt frågan om generaliserbarheten av AI-system är obesvarad. Utseendet av digitaliserade vävnadsprover varierar mycket baserat på vilka vävnadsberedningstekniker och digitala skannrar som används. Vi applicerade Conformal Prediction (CP) i vår AI-modell för att upptäcka osäkerheter så som variationer i vävnadsberedning, olika digitala skannrar och prostatavävnad som modellen inte hade exponerats för under träning.
Varför valde du att forska om just detta?
Eftersom det är så vanligt med prostatacancer behöver vi minska dödligheten men också ta bättre hand om de män som drabbas av överdiagnosticering och överbehandling av lågriskcancrar. Förutom konsekvenserna för de patienter som drabbas finns det betydande ekonomiska vinster att göra i vården om vi vet om patienten har nytta av behandling och när behandling ska sättas in.
Hur tycker du att forskningen ska fortsätta framöver på det här området?
Nyligen genomförda studier visar att MR enbart för närvarande inte är ett alternativ för säker monitorering av sjukdomsprogression. Ytterligare biomarkörer och kliniska variabler som kan kombineras med MR kommer att behövas, så väl som att en standardisering av rapportering av kliniska MR-resultat kommer att behövas.
Det finns mycket kvar att göra för att förbättra AI-modellens prestanda vad gäller precision och robusthet. Vårt mål just nu är att inkludera specifika nyckelområden i modellarkitekturen, nämligen; skannerkalibrering, uppskalning av mängden träningsdata, förbättrade algoritmer, modellering av morfologisk heterogenitet och implementering av automatiserad kvalitetskontroll i prediktionsalgoritmen för att säkerställa att modellen endast gör förutsägelser på de data som den är designad att hantera.
Avhandling
Henrik Olsson. Karolinska Institutet (2023), ISBN: 978-91-8016-912-7