Kunstig intelligens gjør at kreftpasienter får det litt bedre

Vi gjør oppmerksom på at denne artikkelen er over to år gammel, og kan ha innhold som er utdatert.

Sammen med forskere på kunstig intelligens har stipendiat Samuel Kuttner utviklet en metode som gjør at pasienter slipper kontinuerlige blodprøver underveis i en PET-undersøkelse. I fremtiden håper forskerne at man faktisk skal kunne stille diagnoser ut ifra PET-bildene ved hjelp av kunstig intelligens, en såkalt virtuell biopsi. Da vil man også slippe å stikke pasientene for å utføre biopsi av kreftsvulsten.

– Det som motiverer meg er at jeg kan gjøre noe for pasientene, slik at de får det bedre, sier Samuel Kuttner.

Kuttner er stipendiat ved Institutt for klinisk medisin ved UiT, innen forskningsfeltet nukleærmedisin og strålebiologi. Nå disputerer han med avhandlingen "Advancing Quantitative PET Imaging with Machine Learning", hvor han har spesialisert seg på analyse av PET-bilder.

Kreftceller lyser opp

– En PET-undersøkelse er en avansert medisinsk undersøkelse på innsiden av kroppen, som foregår ved å sprøyte inn et radioaktivt sporstoff, også kalt «tracer», i blodet til pasienten, forklarer Kuttner.

forsker samuel kuttner — Samuel Kuttner disputerer med en doktorgrad i medisinsk fysikk. Foto: UiT

Mens andre bildemetoder som røntgen, CT og MR kun viser bilder av «utseendet» til en kreftsvulst, kan PET vise om svulsten er aktiv eller inaktiv. Det vil si å skille dødt vev fra aktivt svulstvev. Slik kunnskap kan være avgjørende for den videre behandlingen av en pasient.

Undersøkelsen kan også brukes til å finne kilden til en kreftsykdom med spredning, og skille mellom godartet og ondartet svulst. PET har vist seg å være spesielt nyttig ved lungekreft, malignt melanom, spiserørskreft, kreft i hode og halsregion, skjoldbruskkjertelkreft, brystkreft, kreft i tykktarm og endetarm, eggstokkreft og lymfekreft.

Den vanligste traceren som er i bruk i dag (FDG), vil følge blodbanen og tas i økende grad opp av celler med høyt energiforbruk.

– Alle celler har en metabolisme, og de får energi fra blodsukkeret vårt. Kreftceller deler seg raskt, og derfor bruker de mer energi, sier Kuttner.

Han forklarer at traceren tas opp av alle celler, men fordi kreftcellene bruker mer energi, så lyser de opp enda mer enn vanlige celler. Da kan man se dem tydelig på PET-bildene. Hjertet og hjernen vil også lyse opp, fordi de også har høyt energiforbruk.

– En trent person vil kunne skille kreftceller fra vanlige celler, sier forskeren.

En PET-skanner kan følge tracerens vei gjennom kroppen og lage tre-dimensjonale bilder av opptaksforløpet. PET-bildene vil derfor både vise hvor kreftsvulsten er, og hvor mye energi kreftcellene bruker. Energiforbruket er et mål på hvor aggressive kreftcellene er.

Blodprøver av pasientene under PET

Ved visse avanserte typer av PET-undersøkelser har det vært nødvendig å ta kontinuerlige blodprøver underveis mens pasienten ligger i skanneren. Dette kalles for arteriell kanylering. Kanyleringen innebærer en ulempe for pasienten, og medfører også en betydelig arbeidsbelastning for personalet som utfører undersøkelsen.

– Det er vondt for pasienten når blodet tas ut og det er også en viss risiko assosiert med dette, sier Kuttner.

Blodprøvene tas for å måle hvor mye tracer som fins i blodet til enhver tid.

– Jeg har derfor undersøkt om kunstig intelligens kan brukes for å forutsi den nødvendige informasjonen man får fra blodet, direkte fra PET-bildene, slik at man kan unngå å ta blodprøvene ved disse spesielle PET-undersøkelsene.

Idéen til denne tilnærmingen fikk Kuttner under et kurs om kunstig intelligens ved UiT, hvor veileder Professor Robert Jenssen var foreleser. Etter en del søk i forskningslitteraturen kunne ikke Kuttner finne noen lignende studier med denne tilnærmingen, så da bestemte han og forskerkolleger seg for å prøve ut metoden selv.

– Vi startet med data fra en PET-studie på mus som var gjennomført ved UiT noen år tidligere. Da metoden så ut til å virke på mus-PET-data, kontaktet vi en forskningsgruppe ved Uppsala Universitet og fikk tilgang på PET-data fra mennesker hvor også blod-data var samlet inn, forteller Kuttner.

Dermed kunne metoden testes ut på et riktig pasientgrunnlag og resultatene pekte mot at det fungerte også på mennesker.

– Ved hjelp av PET-bilder og kunstig intelligens var det altså mulig å forutsi blod-informasjonen som trengs for avansert analyse av PET-bildene, sier Kuttner.

Disse resultatene ble nylig publisert i tidsskriftet Journal of Cerebral Blood Flow and Metabolism. Men metoden må testes videre, for å sikre at den fungerer best mulig.

Dersom du får lungekreft må du i dag gjennom undersøkelser som kan være ganske smertefulle. Det håper Samuel Kuttner å endre på ved å bruke kunstig intelligens på PET-bilder. På dette bildet kan vi se en PET/MR-skanner ved UNN. Foto: Universitetssykehuset Nord-Norge

Kunstig intelligens

Kunstig intelligens er informasjonsteknologi som justerer sin egen aktivitet og derfor tilsynelatende framstår som intelligent.

Man sier ofte at en datamaskin som er i stand til å løse oppgaver uten å få instruksjoner fra et menneske på hvordan den skal gjøre det, har kunstig intelligens.

For eksempel foreslår intelligente søkemotorer treff på grunnlag av data om tidligere søk og annen brukeradferd. Dette kalles maksinlæring, og har en lang rekke bruksområder, fra enkle programmer i smarttelefoner til selvkjørende biler.

Kilde: Store norske leksikon

Begrensninger med PET

I avhandlingen har Kuttner også arbeidet med både PET, CT og MR-bilder og studert noen av viktige egenskaper ved PET-teknikken som begrenser bildekvaliteten og de målbare størrelsene som man får ut ved en PET-undersøkelse.

– For eksempel vil metallobjekter i pasienten, for eksempel fra en tidligere operasjon, forstyrre bildene. Også pustebevegelser under skanningen gjør at bilder av lungene blir påvirket, sier Kuttner.

Ved hjelp av bildeanalyse-metoder har han derfor sett på hvordan PET-bildene kan forbedres for å ikke bli påvirket av slike forstyrrelser.

– Dette er viktig for den enkelte pasienten som det skal stilles diagnose på. Men også, i et større perspektiv, når man ønsker å bruke kunstig intelligens for å kunne forutsi behandlingsutfall eller sykdomsforløp basert på PET-bildene. Da er det spesielt viktig at PET-bildene er så nøyaktige som mulig, forklarer forskeren.

Disse analysene ble utført, delvis på et datamateriale fra en forskningsgruppe ved Norges teknisk-naturvitenskapelige universitet (NTNU), men også basert på egne PET-data samlet inn ved PET-senteret ved UNN i Tromsø sammen med hovedveiledere og leder av PET-senteret, Rune Sundset.

Internasjonalt samarbeid viktig

Det gjenstår fremdeles mye arbeid før metodene kan brukes i daglig klinisk praksis, men etter doktorgraden har Kuttner nye planer for hvordan metodene som er utviklet i avhandlingen kan arbeides videre med, for på sikt å komme pasientene til nytte ved sykehusene verden rundt.

– Kunstig intelligens og maskinlæring krever mye data. Derfor er det viktig å samarbeide med andre sykehus og dele data, slik at man ikke sitter der for seg selv med sine små datasett, sier Kuttner.

Gjennom godt samarbeid kan man oppnå resultater raskere enn hvis alle jobber hver for seg, slik at metodene som utvikles raskere og kan komme pasientene til gode.

Kuttner går nå tilbake til sin stilling på PET-senteret i Tromsø, der han er ansatt som medisinsk fysiker. Han samarbeider videre med SFI visual intelligence, 180 grader nord, og PET-sentrene i Tromsø, Trondheim og Bergen. Han skal nå i gang med å videreutvikle blodmetodene med mer data.

Bludd, Ellen Kathrine ellen.kathrine.bludd@uit.no Kommunikasjonsrådgiver

Publisert: 28.05.21 11:30 Oppdatert: 05.01.24 09:16

Helse og velferd Naturvitenskap Teknologi