Tekoälyyn pohjautuvasta diagnostiikasta apua kohdunkaulansyövän seulontaan resurssiköyhissä maissa

Kohdunkaulansyöpä on huonoennusteinen ja yleinen syöpätyyppi, jota voidaan tehokkaasti ennaltaehkäistä seulontaohjelmien avulla. Seulontaa ja varhaista diagnostiikkaa ei kuitenkaan pystytä monissa maissa tekemään hyvin rajallisten diagnostiikkaan vaadittavien asiantuntija- ja laiteresurssien takia. Siksi syöpädiagnoosi tehdään usein vasta, kun syöpä on jo päässyt kehittymään pitkälle.

Professori Johan Lundinin johtama, Helsingin yliopistossa ja Karoliinisessa instituutissa toimiva tutkimusryhmä on keskittynyt kehittämään laitteita ja menetelmiä, jotka mahdollistavat koneälyyn perustuvan automaattisen diagnostiikan. Ryhmä on aiemmin osoittanut menetelmän toimivuuden erilaisten loisinfektioiden diagnosoimiseksi.

Uusia automatisoituja diagnosointityökaluja kaivataan kipeästi

Nyt julkaistun tutkimuksen tavoitteena oli selvittää, voisiko etäyhteyden avulla toteutettu tekoälyyn pohjautuva analyysi auttaa kohdunkaulansyövän seulonnan toteuttamisessa Saharan eteläpuoleisessa Afrikassa.

Johan Lundinin mukaan uudenlaisille automaatioon perustuville diagnostiikan sovelluksille on suuri tarve etenkin alueilla, joissa diagnostiikan alan asiantuntijapula konkretisoituu pahimmin. Keskimäärin Afrikan maissa patologeja on vähemmän kuin yksi miljoonaa asukasta kohden.  

– Perinteinen papanäytteiden analysoiminen vähentää merkittävästi kohdunkaulansyövän esiintyvyyttä ja kuolleisuutta. Seulontojen toteuttaminen resurssiköyhissä maissa on kuitenkin haastavaa, sillä papanäytteiden manuaalinen analysointi vaatii asiantuntemusta ja paljon työaikaa, Johan Lundin toteaa.

Kenttäkokeet ovat välttämättömiä menetelmän testaamiseksi vaativissa oloissa

Tutkimus tehtiin yhteistyössä kenialaisen, Mombasan eteläpuolella sijaitsevan Kinondon sairaalan kanssa, sillä tutkimusryhmä halusi kehittää ja testata menetelmää mahdollisimman vaativissa olosuhteissa. Klinikalla kerättiin 740 naiselta papanäyte, jonka jälkeen näytteet digitoitiin liikuteltavalla skannerilla. Digitoidut mikroskooppikuvat siirrettiin mobiiliverkon avulla pilvipalvelimeen ja analysoitiin koneoppimiseen perustuvien algoritmien avulla.

Ensin tutkijat opettivat algoritmia tunnistamaan epänormaalit solut. Tähän käytettiin noin puolet kerätyistä näytteistä. Loppujen näytteiden avulla selvitettiin algoritmin toimivuutta vertaamalla sen antamaa tulosta paikan päällä Keniassa patologin tekemään alkuperäisen näytteen analyysiin sekä etäyhteyden kautta Suomessa tehtyihin lausuntoihin.

Tulokset osoittivat, että tekoälyanalyysin tarkkuus oli hyvä, erityisesti silloin kun kyseessä oli selvästi epänormaaleja soluja sisältävä näyte. Näissä tapauksissa syväoppimisjärjestelmä havaitsi 96–100 prosenttia patologin poikkeaviksi arvioimista näytteistä. Koneälyn diagnosoimat syövän esiasteet voidaan vahvistaa patologin avulla ja edetä sitten solumuutosten poistamiseksi ja syövän ennaltaehkäisemiseksi tähtääviin hoitoihin.

– Kyseessä on tietääksemme ensimmäinen tutkimus, jossa kokonaisia papanäytteitä on digitoitu varsin vaativissa kenttäolosuhteissa ja analysoitu tekoälyn avulla, kertoo artikkelin ensimmäinen kirjoittaja, aiheesta hiljattain väitellyt Oscar Holmström Suomen molekyylilääketieteen instituutista FIMMistä, Helsingin yliopistosta.

Keniassa vain noin 5 % naisista on tällä hetkellä kohdunkaulansyövän seulontaohjelmien piirissä eikä myöskään HPV-rokotuksia vielä ole laajasti tarjolla, joten varhaisen diagnostiikan edistämiselle on suuri tarve. Tutkimusryhmän mukaan menetelmän hyödyntäminen voisi vähentää merkittävästi näytteiden analysoimiseen tarvittavaa työmäärää ja auttaa patologeja keskittymään esiseulottujen, mahdollisesti epänormaalien tulosten varmistamiseen.

– Tuloksemme ovat lupaavia ja osoittavat, että menetelmämme toimii haastavissakin olosuhteissa ja voisi näin olla hyödyksi resurssiköyhien maiden seulontaohjelmien toteuttamiseksi, sanoo dosentti Nina Linder Helsingin yliopistosta.

Julkaisu:

Point-of-care digital cytology with artificial intelligence for cervical cancer screening in a resource-limited setting. Oscar Holmström, Nina Linder, Harrison Kaingu, Ngali Mbuuko, Jumaa Mbete, Felix Kinyua, Sara Törnquist, Martin Muinde, Leena Krogerus, Mikael Lundin, Vinod Diwan, Johan Lundin. JAMA Network Open, doi: 10.1001/jamanetworkopen.2021.1740

Rahoitus ja sidonnaisuudet:

Kaksi tutkimusryhmän jäsenistä, Johan Lundin ja Mikael Lundin, ovat Aiforia Technologies Oy: n perustajia ja omistajia. Yrityksen koneoppimis- ja kuva-analyysialustaa käytettiin tutkimuksessa syväoppimisjärjestelmän kehittämiseen. 

Tutkimusta ovat tukeneet Familjen Erling-Perssons Stiftelse, Vetenskapsrådet, Finska Läkaresällskapet r.f., Sigrid Juselius Stiftelse, Medicinska Understödsföreningen Liv och Hälsa r.f., K. Albin Johanssons stiftelse, Perkléns stiftelse, Wilhelm och Else Stockmanns stiftelse ja Biomedicum-säätiö. Suomalainen yritys Grundium osallistui lahjoittamalla yhden tutkimuksessa käytetyistä mikroskooppiskannereista.

Lisätietoja:

Tutkimusjohtaja Johan Lundin
Suomen molekyylilääketieteen instituutti FIMM, HiLIFE, Helsingin yliopisto

puh: +358 50 415 5459

s-posti: johan.lundin@helsinki.fi