Rintasyöpä ja tekoälyavusteinen rintasyövän havainnointi

Kirjoittaja: Helinä Heino
Video: Antti Isosalo

                                                                                                                                                             

Roosa nauha -kampanja muistuttaa siitä, että rintasyöpä koskettaa monen ihmisen elämää. Kuva Pixabaysta.

Rintasyöpä on naisten yleisin syöpätyyppi, sillä vuosittain syöpään sairastuu Suomessa noin 5000 naista. Rintasyöpiä todetaan myös miehillä ja Suomessa miehiä sairastuu vuosittain kolmisenkymmentä. Maailmanlaajuisesti naisten uusien rintasyöpien esiintyvyyden arvioidaan olevan noin 2.3 miljoona tapausta.

Ikääntyminen lisää syövän esiintymisen todennäköisyyttä, joten Suomessa järjestetään 50-69-vuotiaille naisille ilmaisia seulontatutkimuksia. Rintojen omatoimiseen tarkkailuun on myös hyvä kiinnittää huomiota. Esimerkiksi muutokset rinnan alueen ulkonäössä tai rakenteessa on syytä tutkituttaa. Mammografiatutkimus on yksi tyypillinen tapa tutkia rinnan kudosta (tarvittaessa myös esim. ultraäänitutkimus ja kudosnäyte saattavat tulla kyseeseen). Mammografiassa rinnasta otetaan röntgenkuvat, jotka toimitetaan radiologin arvioitaviksi.    

Röntgenkuvien tulkinta ei kuitenkaan ole helppoa tai yksiselitteistä ja väestön ikääntyminen lisää terveydenhuollon ruuhkautumista. Tästä syystä rintasyöpien havainnointiin on pyritty kehittämään automaattisia menetelmiä, jotka voisivat avittaa radiologin työtä. Havainnointia varten on pyritty kehittämään tekoälypohjaisia ratkaisuja eli algoritmeja, joiden toiminta perustuu syöpään viittaavien piirteiden automaattiseen havainnointiin mammografiakuvista. Tekoälypohjaisilla menetelmillä on saatu lupaavia tuloksia, ja myös AIDMEI-projektissa tutkitaan menetelmiä rintasyövän havainnointiin.      

  

Rintasyövän kehittyminen

Kehon elimistö muodostuu soluista, joiden normaaliin toimintaan kuuluu solun jakautuminen, sillä kudosten elinkaareen kuuluu kudosten uusiutuminen. Normaalisti solujen jakautuminen on tarkoin säädeltyä ja elimistö kykenee eliminoimaan virheellisesti toimivat solut.

Jos solujen perintöainekseen eli DNA:n aiheutuu haitallisia muutoksia (esim. karsinogeenien aiheuttamat tai perinnöllinen alttius), saattaa solujen jakautuminen häiriintyä ja lopputuloksena olla syöpäsoluksi erilaistunut solu. Kun yksittäinen syöpäsolu pääsee jakautumaan tarpeeksi monta kertaa, muodostuu näistä uusista soluista soluryhmittymä eli kasvain tai tuumori.  

Hoitamaton, pahanlaatuinen kasvain lähettää etäpesäkkeitä eli lähtee leviämään muualle kehoon. Syöpä on monimutkainen prosessi, joka parantumattomassa muodossa muuttaa lopulta ihmisen aineenvaihduntaa, aiheuttaa elintoimintojen pettämisen ja kehon luontaisen puolustusjärjestelmän romahtamisen. Syöpään menehtymiseen ei ole yksiselitteistä selitystä, sillä esimerkiksi loppuvaiheen syöpää sairastava saattaa menehtyä johonkin infektioon, kuten keuhkokuumeeseen tai elimen toiminnan pettämiseen.     

Rintasyöpiä kyetään kuitenkin nykyisin hoitamaan hyvin ja esimerkiksi vuosina 2011-2013 rintasyöpään sairastuneiden naisten elossaololuku viiden vuoden sisällä Suomessa on jopa 91 prosenttia.          

 

Yleistä rintasyövästä

Rintasyöpä tai syövät yleensäkään eivät ole yksittäinen sairaus, vaan niillä on erilaisia alatyyppejä. Alatyyppien avulla voidaan arvioida syövän hoitomahdollisuutta ja syövästä selviytymisen ennustetta.

Alatyypin määrittämiseen tarvitaan tyypillisesti tieto syöpäsolujen jakautumisen nopeudesta, HER2-kasvutekijän ilmaantumisesta ja tieto siitä, että esiintykö syöpäsoluissa estrogeeni- ja/tai progesteronireseptoreita. HER2-kasvutekijän esiintyminen syöpäkudoksessa viittaa aggressiivisempaan syöpään, jolla on suurempi uusiutumisriski. Jos syöpäsoluissa esiintyy estrogeeni- ja/tai progesteronireseptoreita, voidaan syöpää hoitaa hormonaalisilla lääkehoidoilla. Hormonaalisten lääkehoitojen etuna on, että niiden tiedetään puolittavan rintasyövän uusiutumisriskiä.

 

Rintasyöpä ja tekoäly

Kun puhutaan tekoälyn soveltamisesta rintasyöpään (tai muuhun sairauteen), viitataan menetelmään, jossa saatavilla olevaan kuvadataan (tai muuhun aineistoon) pyritään sovittamaan matemaattinen funktio, joka kykenee lähtökohtaisesti erottamaan syöpää sisältävät ja syövättömät tapaukset omiksi ryhmikseen. Tällöin puhutaan tekoälyn tai neuroverkon kouluttamisesta. Käytännössä tämä tarkoittaisi sitä, että koulutuksen jälkeen analysoiva ohjelma kykenee antamaan arvion rintasyövän esiintyvyydestä myös mammografiakuvalle (aineistolle), jota se ei ole aiemmin nähnyt. 

Esimerkiksi alla olevassa videossa demonstroidaan tilannetta, jossa tekoäly merkitsee mammografiakuvaan alueen, joka vaikuttaa sen algoritmin pohjalta epäilyttävältä. Tulevaisuudessa radiologi voisi hyödyntää tällaista alustavaa analyysiä diagnoosin teossaan.

                             Video. Mammografiakuvaan on merkitty epäilyttävä alue punaisen maskin avulla. 

Jos aiheen teoreettisempi puoli kiinnostaa, voi tähän tutustua vielä tarkemmin Eeva Nevanrannan kandityössä.

Kuvantamisen arvoketjua muovaavat uudet teknologiat

Miika Nieminen 

professori, ylifyysikko 

Oulun yliopisto ja Oulun yliopistollinen sairaala

    

Tietokoneiden ja erityisesti näytönohjaimien laskentatehon kehittymisen myötä viime vuodet ovat olleet erittäin mielenkiintoisia teknologian ja tekoälyn vuosia. Myös lääketieteen teknologian tutkimuskentässä on eletty mielenkiintoisia vuosia. 

Uutiskynnyksen ovat ylittäneet mm. monet tutkimukset, joissa tekoäly on yltänyt tunnistustehtävässä ihmisen tasolle tai jopa päihittänyt hänet (Kuva 1).  

On myös maalailtu uhkakuvia: ketä syyttää tietokoneen tekemästä virheestä? Valmistuvat lääkärit ovat pohtineet kannattaanko radiologiaan erikoistua, jos tietokone vie työpaikat.

Kuva 1: Tekoälytutkimus on saanut viime vuosina merkittävää mediahuomiota.

Kuvantamisen arvoketju (kuva 2) koostuu kuvan tuottamisesta, kuvien analysoinnista ja tulkinnasta, lausunnon kirjoittamisesta ja potilaan hoitoon vaikuttavasta päätöksenteosta.

Seuraavassa esittelen lyhyesti käyttötapauksia omasta tutkimuksestamme, joissa tätä arvoketjua, erityisesti sen alkupäätä, voidaan parantaa, jotta kuvantamiseen liittyvä diagnostiikka olisi laadukkaampaa ja nopeampaa, ja säteilyannos pienempää.

Kuva 2: Kuvantamisen arvoketju

Tekoälystä seulojan kumppani?

Diagnostisessa kuvantamisessa tekoälyä voidaan hyödyntää mm. luokittelu-, segmentointi-, rekisteröinti- ja lokalisointitehtävissä.

Suomessa 30% diagnosoiduista syövistä ovat rintasyöpiä, ja rintasyöpään liittyviä seulontatutkimuksia tehdään meillä 300000 kpl vuodessa. Lainsäädäntö edellyttää kahden radiologin tekemää arviointia, ns. kaksoisluentaa. Radiologiresurssi ei vaan tahdo tähän aina riittää. 

Yhdessä hankkeistamme optimoimme rintasyöpäseulonnan työvirtaa kehittämällä koneoppimismenetelmiä tunnistamaan ns. helpot tapaukset, jolloin lääkärille jäisi enemmän aikaa hankalien tapausten tarkasteluun (kuva 3). Käytämme tutkimuksessa Oulussa keräämäämme n. 50000 potilaan aineistoa, jolle radiologimme ovat tehneet ison urakan tunnistamalla ja rajaamalla syövät mammografiakuvista. Haastamme nykyistä arvoketjua hypoteesillä asetelmasta jossa, toisen radiologeista voisi korvata tekoälyllä. Tekoälyn mukaanotto seulontaan tulee toki edellyttämään lainsäädännöllistä muutosta.

Kuva 3: Haastamme nykyistä mammografiatutkimusten seulontakäytäntöä ottamalla tekoäly toisen radiologin tilalle. Kuvassa oikealla tekoälyn tuottamat piirrekartat, joiden perusteella poikkeavat kudosmuutokset voidaan tunnistaa. (Isosalo, Inkinen, Ipatti, Turunen, Prostredná, Reponen, Nieminen)

Keskustelu tekoälyn paikasta laajemminkin eri arvoketjuissa käy vilkkaana; mikä on optimaalisin tapa integroida tekoäly terveydenhuoltojärjestelmään, annetaanko sille orjan, rengin vai jopa isännän rooli.

Missä kipu on? 

Alaselkäkipu on hyvin yleinen oire ja johtava liikuntakykyä rajoittava vaiva kautta maailman. Poikkeavia löydöksiä nähdään selän magneettikuvissa usein ja ne eivät välttämättä liity aina kipuun. Oulussa olemme tehneet tutkimusta Pohjois-Suomen v. 1966 syntymäkohortin selän magneettikuva-aineistolla, joissa meillä on tiedossa potilaiden kiputieto. Kiputiedolla ja kuvilla olemme kouluttaneet koneoppimisjärjestelmää etsimään ja osoittamaan ne kudosalueet, joilla kipua potevien magneettikuvat eroavat kivuttomien kuvista (kuva 4). Tällä hetkellä syväoppiva menetelmämme pystyy erottelemaan kipua potevat vapaaehtoiset kivuttomista 80%:n tarkkuudella.

Kuva 4: Kuvan mukaisilla ”lämpökartoilla” (engl. heatmap) voidaan graafisesti havainnollistaa ne kudosalueet, jotka tekoäly tunnistaa poikkeaviksi, kipuun liittyviksi kudosalueiksi. (Al-Rubaye, Ketola, Inkinen, Karppinen, Nieminen)

 

Miehittämätön röntgenkuvaus

Perinteinen röntgenkuvaus on hyvin työvoimaintensiivistä, laitteet kalliita ja useimmiten laitteet kiinteästi asennettuja. Saavutettavuus röntgentutkimukseen esim. pohjoisessa Suomessa puhumattakaan muualla maailmassa voi olla hyvinkin huono. Tutkimusyksikössämme olemme kehittäneet jalkautuvan sairaanhoidon kysyntään vastaava röntgenkuvauslaite raajojen röntgenkuvaukseen (kuva 5).

Missiona on tuoda kuvantamispalvelu lähelle potilasta jopa ilman fyysistä kuvaushenkilöstöä. Älykäs laite opastaa potilasta interaktiivisesti raajan asettelussa ja ottaa sen jälkeen kuvan automaattisesti. Näin voidaan pienentää kuvantamisen kustannuksia ja tuoda kuvantaminen lähemmäksi potilasta.

Laitteen prototyyppi on valmis, meillä on mm. STUKn ja FIMEAn luvat aloittaa testaaminen oikeilla potilailla pian.

Kuva 5: Visio miehittämättömän röntgenkuvauslaitteen ulkoasusta. (Liimatainen, Hanni, Tervonen, Nieminen)

                                                  

Magneettikuvausta nopeammin

Magneettikuvaus perustuu vesi- ja rasvamolekyylien vety-ytimien lähettämään signaaliin. Tyypillinen magneettikuvaustutkimus kestää n. 20 minuuttia ja se koostuu useista kuvasarjoista, joissa jokaisessa on kymmeniä kuvia erilaisella kuvakontrastilla. Yhdessä New Yorkin yliopiston kanssa olemme kehittäneet ja testanneet uutta magneettikuvausmenetelmää (kuva 6), ns. sormenjälkimagneettikuvausta (engl. magnetic resonance fingerprinting), minkä avulla voidaan yhdellä n. 5min kestävällä kuvauksella määrittää kuvauskohteen kudosten magneettiset ominaisuudet, ns. relaksaatioajat, jotka ovat vastuussa alkuperäisten kliinisten kuvasarjojen kontrastista. Relaksaatiokarttojen avulla on mahdollista tarkastella tiettyjä kudosmuutoksia tarkemmin ja kvantitatiivisesti. Kvantitatiivisten karttojen perusteella voidaan laskea em. kliiniset kuvasarjat ja näin toteuttaa kuvaus nykyistä huomattavasti lyhyemmässä ajassa. Teemme tutkimusta näiden synteettisten kuvien soveltuvuudesta radiologien käyttöön.

Kuva 6: Perinteinen polvinivelen magneettikuvasarja (A), Magnetic resonance fingerprinting -tekniikalla määritetyt relaksaatioaikakartat (B) ja näiden perusteella laskettu kliiniseen käyttöön soveltuva kuva (C). (Casula, Nissi, Nykänen, Nevalainen, Cloos, Lattanzi, Nieminen)

Paksuneulanäytteitä älyllä

Maailmassa diagnosoidaan vuosittain 18 miljoonaa syöpätapausta. Tyypillisesti syöpä diagnosoidaan neulanäytteestä. Tutkimuksesta riippuen jopa 30% neulanäytteistä epäonnistuu neulan puutteellisen kohdistuksen vuoksi. Olemme kehittäneet älyneulan auttamaan paksuneulanäytteen otossa (kuva 7). Uusi menetelmä auttaa radiologia ottamaan näytteen onnistuneesti kertomalla onko neula kohdekudoksessa. Itse menetelmässä hyödynnetään spektroskopiaa ja signaalianalyysissa tekoälyä. Menetelmän toimivuus on osoitettu eläinkokein ja tekoälypohjainen algoritmi tunnistaa oikean kudoksen tällä hetkellä yli 90% tarkkuudella.

 

Kuva 7: Älyneulalla paksuneulanäytteen ottaminen onnistuu aiempaa luotettavammin. (Surazynski, Lavonen, Myllylä, Mäkinen, Zhao, Nieminen, Nieminen)

 

Viipalekuvauksen tulevaisuus

Perinteisessä TT-kuvauksessa mitataan röntgensäteilyn vaimenemista potilaan eri puolilta ja tämän datan perusteella lasketaan viipalekuvia. Tämä ei ole kuitenkaan kaikissa tilanteissa tehokkain tai säteilyhygieenisin menetelmä. Vaihtoehtoisia ratkaisuja on useita. Sisätomografiassa voidaan rajoittaa kuvaus ja säteilytys tietylle vartalon mielenkiintoalueelle. On mahdollista kuvata vai rajoitettu alue (rajoitetun kulman tomografia) tai vain harvoja projektioita. Kuvista kuitenkin nähdään kuinka nämä ratkaisut heikentävät kuvalaatua koska perinteiset kuvarekonstruktioalgoritmit eivät saa kaipaamaansa dataa mielenkiintoalueen ulkopuolelta.

Otetaan avuksi tekoäly. Sama data, mutta opetetaan syväoppivalle algoritmille minkälaista anatomiaa kuva-alan ulkopuolella voi olla. Tuloksena on merkittävä parannus kuvanlaatuun kuten nähdään. Vaatii toki vielä tutkimusta mille kehon alueelle tämä menetelmä parhaiten sopii ja radiologien arviointia näkyykö kudokset ja patologiset muutokset niissä riittävän hyvin.

Kuva 8: Tietokonetomografian eri geometriat ja niiden tuottamat kuvat samalle datalle. Syväoppivan menetelmän käyttö parantaa merkittävästi kuvanlaatua. (Ketola, Heino, Juntunen, Nieminen, Siltanen, Inkinen)

Pohdinta

Usein kuulee kysyttävän: mitä vaatii se, että menetelmät saadaan klinikkaan.

Lyhyt vastaus on, että kymmenen vuotta. Suunnilleen niin kauan kestää uuden lääketieteen teknologian kehittäminen tuotantokäyttöön. Tarvitaan pitkäjänteistä tutkimus- ja kehitystyötä ja rahoitusta.

Pitkä vastaus on, että vaikka teknologian toimivuus on osoitettu, täytyy menetelmää testata toisenlaisessa aineistossa, vaikkapa muunmaalaisissa potilaissa, toisilla laitteilla, toisessa käyttöympäristössä. Lääkinnällisiin laitteisiin liittyvä regulaatio on erittäin tiukkaa.

Tekoälyalgoritmien opettaminen vaatii dataa. Suomessa potilaiden kuvantamisdatan toisiokäyttöä tulkitaan tiukimmin maailmassa ja voimme hävitä kilpailun teknologiakehityskisassa, mikä voisi tuoda euroja Suomeen. Vaikka 2019 voimaan astuneen ns. toisiolain tarkoitus oli selkeyttää lupamenettelyä ja tehostaa tietojen käyttöä tutkimuksessa vaikutus on ollut usein päinvastainen. Suomessa ei ole olemassa käyttöympäristöä mikä täyttäisi samalla lain tietoturvallisuusvaatimukset ja tarjoaisi laskennalliset työkalut esim. em. laskennallisten menetelmien kehittämiseen.

Kuvantamisdatan liikuttaminen eri maiden välillä testaus- ja kehittämistarpeisiin on hyvin hankalaa mutta se ei aina ole edes välttämätöntä – datan sijaan voidaan lähettää algoritmi testattavaksi luotettavalle yhteistyökumppanille tai jopa käyttää simuloitua dataa.

Teknologian ansiosta lääketiede on kymmenen vuoden päästä taas varmasti varsin eri näköistä. On tärkeää ymmärtää, että teknologia on ystävä eikä vihollinen. Monia sovellusalueita on varmasti vielä tunnistamatta ja niitä on syytä aktiivisesti kartoittaa tarvelähtöisesti. Luottamus tekoälyyn paranee, kun kehitämme matemaattisia menetelmiä ymmärtämään sen toimintaa eikä se ole meille enää pelkkä musta laatikko. Pystymme virtaviivaistamaan kuvantamiseen liittyviä prosesseja ja yhdistämään tekoälyn käsiteltäväksi kuvantamistiedon ohella muuta potilasinformaatiota ja hyödyntämään niitä. päätöksentekojärjestelmissä.

Tulevaisuudessa voimme ulkoistaa yhä useampia tehtäviä algoritmeille ja keskittyä niihin tehtäviin, joita kone ei osaa, ainakaan vielä.

 

Blogikirjoituksen sisältö on Miika Niemisen esitelmä Medical Research Center Oulun (Oulun yliopistollinen sairaala ja Oulun yliopisto) Kliinisen tutkimuksen päivässä 21.5.2021.

Tekoälystä uusia mahdollisuuksia lääketieteelliseen kuvantamiseen

Kirjoittaja: Helinä Heino

Tekoälyä olisi tarkoitus kyetä käyttämään lääkärin apuna, jolloin lääkäri saisi diagnoosin aikaiseksi nopeammin ja tarkemmin. Kuva Pixabayn kuvapankista.

Väestön ikääntyessä potilaista otettujen lääketieteellisten kuvien määrä on lisääntynyt ja samalla tutkimukset ovat monimutkaistuneet ja niihin liittyvät tiedot lisääntyneet. Tavallisesti radiologi tulkitsee kuvista mahdolliset löydykset omalla työasemallaan ja antaa lausunnon kuvan diagnoosista. Nykyisellään prosessi on aikaa vievä ja tämä aika on pois varsinaisesta potilastyöstä.

Tekoälyä olisi tarkoitus kyetä käyttämään lääkärin apurina, jolloin lääkäri saisi diagnoosin aikaiseksi nopeammin ja tarkemmin. Kuvantamisista saadut kuvat eivät ole täysin yksitulkintaisia, on otettava huomioon kunkin potilaan yksilöllinen fysiologia ja mahdolliset kuvausvirheet. Haasteet kuvien tulkinnassa tulevat ilmi erityisesti mammografiassa eli rintasyövän seulonnassa käytettävien röntgenkuvien tapauksessa. Jopa kokeneiden ammattilaisten on vaikea tulkita mammokuvien löydöksiä yksimielisesti. Seulotuista rintasyöpäepäilyistä jopa 3 % saa väärän positiivisen diagnoosin, joka aiheuttaa turhia kuluja terveydenhuollolle ja tarpeetonta ahdistusta yksilölle.

  

Myös magneettikuvien tulkinta alaselkäkivun yhteydessä aiheuttaa haasteita oikean diagnoosin löytämisessä. Alaselkäkipu on maailmanlaajuisesti merkittävin toimintakykyä alentava terveysongelma ja Suomessakin yksi tavallisimmista syistä hakeutua lääkärin vastaanotolle. Magneettikuvista tutkitaan selkäkipuisen nikamien rakennetta ja pyritään paikantamaan syy kivulle. Magneettikuvausta tarvitaan, jos epäillään jotakin vakavaa tai jos erityistä syytä kipuun ei löydy.

Tekoälyn avulla voidaan parantaa kuvanlaatua, jolloin kuville voitaisiin tehdä automaattinen kuva-analyysi. Ideana olisikin että tekoäly löytää kuvista diagnoosin kannalta mielenkiintoiset seikat ja antaa arvion saaduista havainnoista. Lääkäri voisi käyttäää tätä tietoa oman tulkintansa apuna. Parantuneen kuvanlaadun lisäksi voitaisiin pienentää merkittävästi kuvantamisesta aiheutuvaa säteilyannosta. Tässä AIDMEI- projektissa tullaan perehtymään tekoälyn hyödyntämiseen mammografiassa ja alaselkäkivun syiden selvityksessä.

AIDMEI -hankkeelle myönnetty rahoitus on kolmivuotinen, ja se on suuruudeltaan 525 000 euroa. Pääosa tutkimuksesta tehdään Oulun yliopiston lääketieteellisen kuvantamisen, fysiikan ja tekniikan tutkimusyksikössä yhteistyössä Oulun yliopistollisen sairaalan kanssa. Hankkeeseen osallistuvat Oulun yliopistosta professori Miika Niemisen lisäksi professorit Simo Saarakkala (Filosofian tohtori), Osmo Tervonen (Lääketieteen tohtori), Jaro Karppinen (Lääketieteen tohtori) ja Jarmo Reponen (Lääketieteen tohtori), sekä Helsingin yliopiston matematiikan ja tilastotieteen osasto teollisuusmatematiikan professori Samuli Siltasen johdolla.