Jeppe Thagaard har udviklet en matematisk model, der automatisk kan foretage billedanalyser af vævsprøver. På sigt vil det kunne gøre kræftprognoser og -behandling bedre og mere ens.
Når patologer undersøger vævsprøver fra kræftpatienter, foretager de et skøn over antallet af bestemte biomarkører i vævet for at se, hvor stærkt patientens immunforsvar er til at bekæmpe kræfttumoren. Det er baseret på digitale mikroskopibilleder af indfarvede vævsprøver - såkaldte histopatologiske snit. Ud fra det giver lægerne en prognose for tilbagefald og/eller overlevelse og sammensætter den bedste behandling til den enkelte patient.
I dag foregår arbejdet manuelt, det tager tid, og i mange lande er der mangel på patologer. Men i nær fremtid vil machine learning kunne hjælpe med at analysere de histologiske billeder. Erhvervs-ph.d.-studerende på DTU Compute Jeppe Thagaard har udviklet en meget lovende algoritme, der kan analysere billeder af vævsprøver og ligesom patologerne estimere risikoen for at dø af en bestemt type brystkræft inden for x antal år.
Mange steder - også i Danmark - bliver billeder af vævsprøver stadig ikke gemt digitalt, men den udvikling er i gang og nødvendig, og der kommer algoritmer som Jeppe Thagaards til at spille en vigtig rolle:
”Alle taler om personlig medicin, hvor man finder den rette behandling ud fra individuelle biomarkører, og derfor er vi nødt til fundamentalt at tænke på en anden måde. Vores forskning viser, at det er muligt at lave et fuldautomatisk setup med machine learning, hvor biopsien automatisk bliver analyseret, så hospitaler sparer tid.”
”Vores AI-system vil samtidig være objektivt og konsekvent i sin vurdering og kan dermed være et værdifuldt værktøj for patologerne, når de foretager deres manuelle skøn, der også afhænger af patologernes erfaring. Algoritmen kan dermed være med til at skabe mere lighed i kræftbehandlingen, uanset hvor i verden patienterne er,” siger Jeppe Thagaard.
Algoritmen er målrettet aggressiv brystkræftsygdom
Jeppe Thagaards algoritme er udviklet sammen med Herlev og Gentofte Hospital og kolleger i firmaet Visiopharm i Hørsholm og i afdelingerne Visual Computing og Kognitive Systemer på DTU Compute.
"Vores AI-system vil samtidig være objektivt og konsekvent i sin vurdering og kan dermed være et værdifuldt værktøj for patologerne, når de foretager deres manuelle skøn."
Jeppe Thagaard, erhvervs-ph.d.-studerende i sektionen Visual Computing på DTU Compute
Modellen bygger på råd fra ekspertgruppen 'International Immuno-Oncology Biomarker Working Group', der arbejder med at forbedre diagnoser og behandling for en patientgruppe med en særlig aggressiv brystkræftsygdom, Triple-negative (TNBC). Ekspertgruppen har netop peget på behovet for at få udviklet algoritmer, der kan hjælpe i arbejdet.
Cirka 15 procent af brystkræftpatienterne bærer rundt på den kræftsygdom, og patienterne har en dårligere femårs-overlevelse end andre typer brystkræft (77 procent mod 93 procent), fordi kræftcellerne ikke reagerer på medicinsk behandling f.eks. hormonbehandling.
Blandt patientgruppen klarer nogle sig bedre takket være et bedre immunsystem. Det kan aflæses i antallet af biomarkøren ’stromal tumor-infiltrating lymphocytes’ (sTIL), hvor et højt antal øger overlevelsen for TNBC-patienter.
Når patienter har lav risiko for at dø, behøver de ikke gennemgå et meget voldsomt kemoterapi-forløb og strålingsforløb. Tilsvarende kan man skrue op for behandlingen af de patienter, hvor tumoren ligesom lukker sig selv af, så immunsystemet ikke kan bekæmpe tumoren.
Algoritmen arbejder i flere lag
Algoritmen er bygget op i flere dele, hvor den særlige immuncelle-detektor foretager forskellige ting. Modellen kan blandt andet tælle cellerne pr. kvadratmillimeter, sikre sig at cellerne har nærkontakt til tumoren for at tælle med, og cellerne må ikke være inden i tumoren eller i dødt væv, så man er sikker på, at cellerne reagerer på tumoren og ikke bare er udtryk for en betændelsestilstand.
”Der er så mange undtagelser til reglerne, at det er svært at lave en algoritme, og det er svært at tage reglerne fra patologer og proppe dem ind i formlen. Men det er vi lykkedes med sammen med den internationale ekspertgruppe,” siger Jeppe Thagaard.
At resultatet er yderst lovende og vigtigt understreges i øvrigt af, at den videnskabelige artikel 'Automated Quantification of sTIL Density with H&E-Based Digital Image Analysis Has Prognostic Potential in Triple-Negative Breast Cancers' er med i det første særnummer af magasinet ’Cancers’, som ekspertgruppen har udgivet om forskningsområdet.
På DTU Compute fremhæver en af Jeppe Thagaards vejledere, professor Søren Hauberg, også styrken ved metoden:
”Algoritmens potentiale er stort, da det er første gang, at der bliver udviklet et AI-system, som faktisk følger den arbejdsproces, patologer efterspørger. Hvis vi skal give patologer et værktøj med faktisk værdi, er det utrolig vigtigt, at vi udvikler det i tæt samspil med fagfeltet, her via ekspertgruppen.”
Udviklingsarbejdet fortsætter
Modellen er valideret på et datasæt med 257 patienter fra 2004, hvor man har holdt algoritmens prognostiske biomarkør op imod viden om, hvordan det gik patienterne. Algoritmen kræver dog lidt udvikling endnu, før den vil kunne bygges ind som et værktøj i de softwaresystemer, der bruges lige nu.
”F.eks. skal vi have håndteret ulempen ved AI-systemer, for hvordan sikrer vi os, at AI-algoritmen virker? Hvad gør den, hvis der kommer noget, som den ikke har set før? Det arbejder vi stadig med. Så vi skal have trænet modellen på flere billeder,” siger Jeppe Thagaard.
Han afleverer i slutningen af august sin ph.d.-afhandling og fortsætter arbejdet i DTU Science Park hos Visiopharm A/S, der blev etableret som en startup fra DTU og fejrer 20-års jubilæum i år.
”Jeg er meget bevidst om, at min forskning på sigt kan have stor betydning for patienters overlevelse. Det er også derfor, at jeg samarbejder med et firma, for det er nødvendigt for at få metoden kommercialiseret. Når universiteter selv udvikler noget, bliver det måske brugt hos samarbejdspartneren. Hvis det her skal ud til hele verden - også lavindkomstslande hvor det vil kunne få meget stor betydning - så skal det kommercialiseres og pakkes ind i en løsning, der kan købes.”
Figuren viser det fuldautomatiske setup af billedanalysen, hvor data analyseres i flere trin. Først genkendes vævet (mørkerødt). Dernæst klassificeres tumorvævet (blå), ikke-invasiv epitel (gul) og nekrotiske regioner (dødt væv) (rød). I tredje trin bestemmes tumorens udbredelse, og tumorassocieret stroma og margin (turkis) defineres. Så klassificeres celler på tværs af hele prøven i det tumorassocierede stroma TIL (grøn) eller ej. Til sidst kan sTIL-densiteten og selve ’farvekortet’ sendes videre til patologisk gennemgang.
Kilde: Automated Quantification of sTIL Density with H&E-Based Digital Image Analysis Has Prognostic Potential in Triple-Negative Breast Cancers, Cancers, 18. juni 2021.
- Som en del af forskningen har Jeppe Thagaard også udviklet en ny måde til at træne algoritmen i billedanalyseværktøjet, så patologer kan lave en indfarvning af vævsprøverne baseret på hematoxylin og erosin (H&E), der har været brugt af patologer i mange år og giver vævsstrukturer lyserøde og lilla farver.
- H&E-indfarvning er meget billigere end immunohistokemiske biomarkører, som farver specifikke strukturer i vævet gult, grønt og blåt i relation til bestemte kræftsygdomme.
- Det kan have stor betydning i lavindkomstlande, hvor man ikke har råd til at lave DNA-tests og molekylærtests af vævsprøver.
- I fremtiden vil personalet kunne sidde lokalt på et sygehus, lave indfarvning af celler, tage billeder og uploade vævsbilleder til en cloudløsning, der automatisk foretager en billedanalyse til hjælp for sygehuset, så patienterne får den bedst egnede behandling.