Publicerad: 2022-11-29 16:44 | Uppdaterad: 2023-02-02 10:19

Utveckling av Artificial Intelligence för individualiserad bröstcancerbehandling

Bröstcancer är den vanligaste cancerformen hos kvinnor i världen men dödligheten i sjukdomen minskar kontinuerligt. En av förklaringarna till detta är sannolikt att effektiva behandlingsmetoder utvecklas för olika undergrupper av sjukdomen. Trots detta är det fortfarande en utmaning att optimera behandlingen på individnivå.

Doktorand Yinxi Wang vid Institutionen för medicinsk epidemiologi och biostatistik Foto: Gunilla Sonnebring

Yinxi Wangs avhandling syftar till att utveckla AI-baserade metoder för att förbättra individinriktad bröstcancerbehandling. I sitt projekt har Yinxi Wang, institutionen för medicinsk epidemiologi och biostatistik (MEB), undersökt metoder för att förbättra sjukdomsutfallet och minska bördan av onödiga behandlingar och negativa läkemedelseffekter.

Kan du berätta något om de viktigaste resultaten i din avhandling?

–Min avhandling fokuserar på fyra delstudier. Vi har utvecklat en AI-baserad så kallad djupinlärning för att förbättra riskgraderingen av tumörer. Med hjälp av metoden kan vi predicera ett histologiskt tumörmedelvärde, alternativt nivåer för spatiala genuttryck. För att kunna använda metodiken i framtida individanpassad behandling av bröstcancer ville vi kunna stratifiera bröstcancerpatienterna. Metodiken bygger på mikroskopibilder av infärgade vävnadsprover. En stor fördel är att vävnadsproverna redan samlas in rutinmässigt inom sjukvården, vilket är mer kostnadseffektivt i jämförelse med molekylär diagnostik.

Varför valde du att forska om just detta?

–Mitt forskningsområde, beräkningspatologi, är tvärvetenskapligt. Det handlar om att utveckla AI-baserade beräkningsverktyg för bättre cancerdiagnostik och patientkarakteristika.

Området intresserar mig främst av två skäl: För det första är patologi centralt inom cancerdiagnostiken med intressanta skillnader mellan tumörer. Här finns en stor mängd information som kan extraheras för att förbättra precisionsmedicinen och den möjligheten fascinerar mig verkligen. För det andra så har framstegen inom den avancerade teknologin, som AI-baserad modellering, möjliggjort snabb digitalisering och storskalig analys av vävnadsprover och gjort det möjligt att extrahera avgörande information genom att integrera stora mängder patologiska data vilket i förlängningen främjar precisionspatologin. Att utveckla statistiska och AI-baserade modeller för detta ändamål har för mig varit väldigt intressant.

Hur tycker du att forskningen ska fortsätta framöver på det här området?

–Å ena sidan är djupinlärning ett kraftfullt verktyg med potential att lösa många kliniska problem. Å andra sidan behöver vi fler studier för att förstärka prestandan i klinisk praxis.
Generellt är detta ett stort och spännande forskningsområde. Exempelvis är det redan nu möjligt att kombinera radiologiska, histologiska och molekylära data för att få en mer omfattande bild av en enskild tumör, vilket kommer att vara till ytterligare nytta i framtidens precisionsmedicin.

En utmaning är att finna sätt att förbättra metodikens generaliseringsförmåga om t ex domänen ändras, en annan utmaning är att vi behöver storskaliga valideringsstudier för att värdera metodernas potentiella nytta.