Slik kan KI bidra til raskere behandling mot lungekreft

Lungekreft er en av de mest utbredte og dødelige kreftformene i verden. I 2023 fikk 3319 nordmenn påvist lungekreft.

Når immunforsvaret oppdager kreft i lungene, sender det ut en gruppe immunceller som angriper de ondartede cellene i kreftsvulsten. Disse immuncellene – såkalte tumor-infiltrerende lymfocytter (TIL) – er en viktig del av kroppens kamp mot kreftsykdommer som lungekreft.

Kostbare og tidkrevende målinger

TIL-cellene kan avsløre hvordan kreften vil utvikle seg og hvilken behandling som virker best. Derfor undersøker legene vevsprøver fra lungene gjennom mikroskop og kartlegger TIL-cellene i svulsten. Jo flere slike celler de finner, desto bedre er prognosen.

En mann står og smiler foran et kamera — Nikita Shvetsov er førsteforfatter av den nypubliserte studien. Foto: Petter Bjørklund, SFI Visual Intelligence

Problemet er at arbeidet er svært kostbart og tidkrevende. I tillegg kan cellemengden i vevsprøvene tolkes ulikt fra lege til lege.

Nå har forskere utviklet kunstig intelligens (KI) som kan gjøre jobben enklere. Teknologien kan by på mange gevinster for helsevesenet – fra mindre kostbare undersøkelser til raskere og mer persontilpasset kreftbehandling.

– Vi ønsket å undersøke hvordan maskinlæring kan forenkle dette arbeidet. Nå vet vi at det fungerer ganske godt, sier førsteforfatter Nikita Shvetsov. Han er stipendiat i UiT Norges arktiske universitet sin maskinlæringsgruppe og KI-senteret SFI Visual Intelligence.

Forskningen hans ble nylig publisert i tidsskriftet Journal of Pathology Informatics.

Ser forskjell på friskt, sykt og dødt lungevev

Maskinlæring handler om å få datamaskiner til å lære noe de ikke kan fra før. Det skjer ved å trene dem på store datamengder – i Shvetsov sitt tilfelle, hundrevis med digitale snittbilder av lungevev. Deler av datasettet kommer fra Universitetssykehuset i Nord-Norge, som er en nær samarbeidspartner i doktorgradsprosjektet.

Bildet viser hvordan systemet skiller mellom friskt, sykt og dødt lungevev på et digitalisert snittbilde. — Bildet viser hvordan systemet skiller mellom friskt, sykt og dødt lungevev på et digitalt snittbilde. Foto: Petter Bjørklund, SFI Visual Intelligence

På den måten har KI-systemet hans lært hvordan lungene ser ut – også friskt, sykt og dødt lungevev. Slik kan det luke vekk bildedeler uten vev.

Teknologien faller innenfor såkalt "computational pathology" – et underfelt innen digital patologi der databaserte algoritmer brukes for å undersøke digitale bilder av celler og vev.

Shvetsov sier dette åpner opp for mer kreative og automatiserte måter å utføre slike undersøkelser på.

– Ved hjelp av avanserte algoritmer og maskinlæringsmetoder kan maskinene finne og trekke ut de mest relevante delene fra bildene. Dette gjør at man slipper mye manuelt arbeid og reduserer risikoen for feil, forklarer han.

– Det bidrar ikke bare til mer presise analyser, men også at legene kan ta raskere beslutninger som har betydning for pasientene, legger han til.

Gjør arbeidet på få minutter

Men digitale bilder er ofte store. Så store at det kan ta en hel dag å analysere innholdet på et enkelt snittbilde – selv med KI. En utfordring er derfor å utvikle systemer som bruker mindre ressurser i form av regnekraft, strøm, og dyre spesiallagde grafikkprosessorer.

Systemet til Shvetsov representerer en annerledes, men mer ressursbesparende måte å analysere slike medisinske bilder på.

– En sentral egenskap med systemet vårt er at det ikke analyserer hele snittbildet. I første steg plukker det ut små og tilfeldige deler fra bildet som skal behandles. Selv om det bare har undersøkt noen få deler, gir det likevel en god oversikt over cellemengden i svulsten, sier Shvetsov.

De neste stegene handler om å klassifisere bildedeler med TIL-celler i seg og kartlegge cellemengden. Det gjøres ved hjelp av en algoritme som gjenkjenner cellemønstre på bildet, teller opp ulike celler, og forteller hvilke av dem som er TIL-celler.

Bildet viser hvordan KI-systemet har markert små tilfeldige deler av snittbildet med tumor-infiltrerende lymfocytter. Foto: Petter Bjørklund, SFI Visual Intelligence

Antallet konverteres så til en skåre som forteller hvor mye TIL-celler det er i ulike steder av lungen. Eksperimenter fra studien viser at skåren gir en nøyaktig beskrivelse av prognosen til pasienten.

Alt dette gjøres på bare noen få minutter.

Brukervennlighet står sentralt

Selve skåren er derimot ikke et godt nok grunnlag for å stille riktig prognose, understreker Shvetsov. Systemet må kunne vise hvordan det har kommet fram til svaret sitt. Det er viktig for at både legene og pasientene skal ha tillit til KI som medisinsk verktøy.

– Teknologien må med andre ord kunne gi legene visuelle bevis. Systemet vårt gir dem derfor muligheten til å sjekke hvilke celler det har identifisert, segmentert og klassifisert. Da kan de kvalitetssikre resultatet og bekrefte at antallet faktisk stemmer.

For å sjekke dette på riktig måte, må slike systemer være enkle for legene å bruke. Brukervennlighet er et sentralt stikkord i prosjektet.

– Mangel på teknisk kompetanse kan bidra til at helsepersonell kvier seg for å bruke KI-baserte systemer. Derfor er det viktig at både systemet og resultatene den kommer med gir mening – selv for en ikke-ekspert.

Kan tilpasses til andre celler og kreftformer

Et annet mål med prosjektet er å utvikle KI-teknologi som kan justeres til andre medisinske formål. Selv om systemet i utgangspunktet er trent til å kartlegge TIL-celler, kan det tilpasses til å kjenne igjen andre celletyper som kan si noe om kreftprognosen.

– Systemet kan finjusteres til å måle andre biomarkører som er tilknyttet kroppens immunrespons, for eksempel PD-1-proteiner. I tillegg kan den tilpasses til andre kreftformer enn lungekreft. Selv om det krever ekstra treningsdata er det heldigvis lett å integrere i systemet, sier han.

Skal støtte legene – ikke erstatte dem

Selv om systemet er et stykke unna fra å være et ferdig produkt, danner forskningen til Shvetsov grunnlaget for et lovende verktøy i helsetjenesten. Men betyr det at legene etter hvert vil bli byttet ut med maskiner som gjør jobben for dem?

Tvert imot, svarer han. Han understreker at slike verktøy er ment for å støtte legene i det kliniske arbeidet. Det vil alltid være nødvendig å ha flere mennesker i loopen – uansett hvor avansert KI-teknologi blir.

– Slik som med andre KI-baserte verktøy er ikke hensikten å erstatte helsepersonell med automatiserte maskiner. Målet vårt er å gjøre livene deres litt enklere, sier han.

Referanse:

Nikita Shvetsov mfl: Fast TILs—A pipeline for efficient TILs estimation in non-small cell Lung cancer, Journal of Pathology Informatics, https://doi.org/10.1016/j.jpi.2025.100437

Om SFI Visual Intelligence

Et senter for forskningsdrevet innovasjon (SFI) som har som formål å utvikle nye dyplæringsmetoder for å hente ut viktig informasjon fra ulike og komplekse bildedata.
Senteret ønsker å utvikle bedre verktøy for blant annet å oppdage hjertesykdommer og kreft, overvåke og påvise naturressurser og overvåke miljø og klima, risiko og potensielle naturkatastrofer.
Tilnærmingen til senteret er tverrfaglig. Analysemetodikk som utvikles innen ett senterområde, kan ofte være til nytte på andre fagområder.
Forskningspartnerne i senteret er UiT, Universitetet i Oslo og Norsk Regnesentral.
Senteret består også av store aktører som brukerpartnere, blant annet Universitetssykehuset Nord-Norge, Kreftregisteret, Equinor, Havforskningsinstituttet, GE Vingmed Ultrasound, Kongsberg Satelitte Services, og Aker BP.
Visual Intelligence er ett av to SFI-sentre ved UiT. Det andre er Dsolve.

Les mer om SFI Visual Intelligence her.

Kortnytt fra Institutt for fysikk og teknologi

Bjørklund, Petter petter.bjorklund@uit.no Kommunikasjonsrådgiver / Maskinlæring