SwAIPP2: AI-baserad diagnostik för framtidens cancerbehandling
VINNOVA har nyligen satsat 95 miljoner SEK på sex innovationsmiljöer som i samverkan ska ta fram banbrytande lösningar för framtidens hälsooch sjukvård och stärka Sveriges position inom området på den globala arenan. Ett av dessa projekt är SwAIPP2: Swedish AI Precision Pathology2. Här skriver professor Johan Hartman och forskningssamordnare Emelie Karlsson vid Karolinska Institutet, om precisionsdiagnostik och att utveckla en AI-baserad analys för riskstratifiering av bröstcancer.
Swedish AI Precision Pathology-projektet är en fortsättning på en tidigare framgångsrik Vinnova-satsning som syftar till att implementera AI-baserad cancerdiagnostik i sjukvården. Grunden för projektet utgörs av Sveriges ledande roll inom digitaliseringen av patologi. Initialt fokuserade projektet på bröstcancer, vilket är ett fält som kan ses som en ”role model” där utvecklingen av AI-baserade diagnostiklösningar har kommit allra längst. I nästa steg tar SwAIPP2 klivet mot att applicera AI-lösningen på andra stora cancerformer.
Varför bröstcancer?
Bröstcancer är den vanligaste cancerformen hos kvinnor globalt med drygt 2,3 miljoner nydiagnostiserade fall varje år. I Sverige insjuknar 1 av 10 kvinnor i bröstcancer någon gång under sin livstid, vilket ställer höga krav på en välfungerande diagnostik.
Patologen har en central roll i bröstcancerdiagnostiken och ansvarar för den tumörbiologiska bedömningen. I klinisk rutin för bröstcancer analyserar patologen fyra prognostiska och i vissa fall behandlingsprediktiva biomarkörer: östrogenreceptorn (ER), progesteronreceptorn (PR), HER2 och Ki67. Tumörgraden, som anges på en tregradig skala, är starkt prognostiskt och avgörande för att kunna klassificera en bröstcancers aggressivitet. En utmaning är att ca 50% av alla tumörer klassificeras som tumörgrad 2, en stor mellangrupp utan klinisk relevans. Studier har visat att grad 2-tumörer inte kan klassificeras som en tumörbiologiskt definierad undergrupp, utan i stället delas de in i två distinkta grupper baserat på genuttryck, vilka var för sig är närmast identiska med grad 1- respektive grad 3-tumörer.
Bröstcancer kan vidare delas in i undergrupper baserat på molekylära karaktäristika, där den största gruppen har ett positivt ER-uttryck (ER+) och ett negativt HER2-uttryck (HER2-). För onkologens arbete spelar tumörgraden hos ER+/HER2- bröstcancer en extra viktig roll, vilket innebär att tilläggsanalyser ofta behövs för behandlingsbeslut för cancrar inom denna grupp som utgörs av tumörgrad 2.2
Mattias Rantalainen och Johan Hartman
Dagens utmaningar med riskstratifiering av bröstcancer
Cancerforskningens framsteg har lett till ett gradvis skifte mot en precisionsbaserad diagnostik, med målet att kunna ge en individanpassad vård och behandling. Ett exempel är genexpressionsprofilering (GEP), vilket är en analys som främst används för ER+/HER2- bröstcancer med tumörgrad 2 (och i vissa fall även för ER+/ HER2- bröstcancer med tumörgrad 3). GEP prognosticerar vilka av dessa bröstcancrar som har en låg respektive hög risk för återfall, och bidrar därmed med viktig information om vilka patienter som har nytta av adjuvant kemoterapi.
