AI ger högre precision vid bröstcancerdiagnostik
Forskare vid Karolinska Institutet har utvecklat en metod baserad på artificiell intelligens (AI) som förbättrar diagnostiken av bröstcancertumörer och möjligheten att förutse risken för återfall. Den förbättrade diagnostiska precisionen kan leda till mer individanpassad behandling för den stora grupp bröstcancerpatienter som har mellanrisktumörer. Resultaten publiceras i tidskriften Annals of Oncology.
I Sverige drabbas ungefär 9 000 kvinnor varje år av bröstcancer och globalt handlar det om cirka två miljoner kvinnor. När diagnosen ställs tas vävnadsprover av tumören, som graderas av en patolog och delas in i lågrisktumör (grad 1), mellanrisktumör (grad 2) eller högrisktumör (grad 3). Graderingen hjälper läkaren att avgöra vilken behandling patienten ska få.
Från vänster Johan Hartman (institutionen för onkologi-patologi), Mattias Rantalainen och Yinxi Wang (institutionen för medicinsk epidemiologi och biostatistik), Karolinska Institutet. Fotograf: Stefan Zimmerman
– Ungefär hälften av bröstcancerpatienterna har en grad 2-tumör, vilket dessvärre inte ger någon tydlig vägledning om hur patienten ska behandlas. Detta medför att en del av patienterna överbehandlas med cellgifter, medan andra riskerar att underbehandlas. Det problemet har vi försökt hitta en lösning på, säger Yinxi Wang, doktorand vid institutionen för medicinsk epidemiologi och biostatistik, Karolinska Institutet, och studiens förstaförfattare.
Molekylär diagnostik har nyligen börjat användas i begränsad omfattning i vården för att öka precisionen i riskbedömning av bröstcancer, men dessa metoder är ofta förknippade med höga kostnader och tidskrävande processer. KI-forskarna har i stället utvecklat och utvärderat en AI-baserad metod för vävnadsanalys. Studien visar att AI-metoden kan dela in patienter med grad 2-tumörer i två undergrupper, en hög- och en lågriskgrupp, med tydlig skillnad i risk för återfall.
– En stor fördel med metoden är att den är kostnadseffektiv och snabb eftersom den bygger på mikroskopibilder av infärgade vävnadsprover som redan är del av rutinsjukvården. Det gör att vi kan erbjuda den här typen av diagnostik till fler och på så vis öka möjligheten att ge rätt behandling till rätt patient, säger Johan Hartman, professor i tumörpatologi vid institutionen för onkologi-patologi, Karolinska Institutet och patolog vid Karolinska Universitetssjukhuset samt delad sisteförfattare.
AI-modellen har tränats att känna igen särdrag i högupplösta digitala mikroskopibilder från patienter klassificerade med lågrisktumörer (grad 1) och högrisktumörer (grad 3). Studien är baserad på ett omfattande material med mikroskopibilder från över 2 800 tumörer.
– Det är fantastiskt att man med hjälp av modern AI-teknik, så kallad djupinlärning, kan utveckla modeller som inte bara reproducerar vad specialistläkare gör idag, utan faktiskt extraherar information bortom vad det mänskliga ögat kan urskilja, säger Mattias Rantalainen, docent och forskningsgruppledare vid institutionen för medicinsk epidemiologi och biostatistik, Karolinska Institutet, och delad sisteförfattare.
Metoden är ännu inte redo för kliniskt bruk, men en regulatoriskt godkänd produkt är redan under utveckling i ett nystartat bolag, Stratipath AB, som har stöd av bland annat KI Innovations. Forskarna kommer nu att utvärdera metoden ytterligare och målsättningen är att en produkt ska finnas ute på marknaden under 2022.
Studien finansierades av Vetenskapsrådet, Cancerfonden, Karolinska Institutet, ERA PerMed, Europeiska forskningsrådet (ERC), MedTechLabs, Swedish e-science Research Centre (SeRC), Region Stockholm, Cancerföreningen i Stockholm och Bröstcancerförbundet.
Deklarerade intressekonflikter: Johan Hartman har mottagit talararvode eller suttit i rådgivande styrelser för Roche, Novartis, AstraZeneca, Eli Lilly och MSD. Hans institution har även mottagit forskningsanslag från Cepheid och Novartis. Mattias Rantalainen och Johan Hartman är aktieägare i Stratipath AB. Yinxi Wang har mottagit konsultarvode från Stratipath AB (ej relaterat till denna studie).
Publikation: “Improved breast cancer histological grading using deep learning”. Y. Wang, B. Acs, S. Robertson, B. Liu, L. Solorzano, C. Wählby, J. Hartman, M. Rantalainen. Annals of Oncology, online 30 september 2021, doi: 10.1016/j.annonc.2021.09.007.
