Helsingin yliopiston tutkimus osoitti, että neuroverkkopohjaisen kuva-analyysin avulla voidaan selvittää kudosnäytteistä tarkasti pahanlaatuista verisairautta eli myelodysplastista oireyhtymää (MDS) sairastavan potilaan syöpäsolujen perimän muutokset.

Kyse on ihmissilmälle vaikeasti eroteltavista yksityiskohdista, jotka laskennallinen analyysi auttaa tunnistamaan luuydinnäytteistä.

Myelodysplastinen oireyhtymä on luuytimen kantasolujen sairaus, jossa verisolujen kasvu ja erilaistuminen luuytimessä häiriintyy.

Vuosittain noin 200 suomalaisella todetaan MDS. Kansainvälisesti oireyhtymän ilmaantuvuus on neljä tapausta 100 000 henkilövuotta kohti. Oireyhtymä voi johtaa akuuttiin leukemiaan.

MDS-taudin diagnosoimiseksi tarvitaan luuydinnäyte, josta tutkitaan myös luuytimen solujen perimän muutokset. Oireyhtymä on jaettu alaryhmiin taudin luonteen tarkemmaksi määrittelemiseksi.

Helsingin yliopistossa tutkittiin MDS-tautia sairastavien potilaiden luuydinnäytteistä muodostettuja mikroskooppikuvia koneoppimiseen perustuvan kuva-analyysin avulla.

MDS-potilaiden luuydinnäytteitä värjättiin hematoksyliini- ja eosiini-värjäyksellä (H&E-värjäys), joka on osa taudin rutiinidiagnostiikkaa. Värjäykset digitoitiin, ja ne analysoitiin laskentapohjaisia syväoppimismalleja käyttäen.

– Tutkimus vahvistaa, että laskennallinen analyysi auttaa tunnistamaan luuydinnäytteistä piirteitä, jotka ovat ihmissilmälle vaikeasti tunnistettavia. Data-analyysin avulla saadaan lisäksi kerättyä kvantitatiivista tietoa solumuutoksista ja niiden merkityksestä potilaan ennusteeseen, kertoo professori Satu Mustjoki tiedotteessa.

Tutkimus on julkaistu viime viikolla Blood Cancer Discovery -julkaisussa.

Vuosittain noin 200 suomalaisella todetaan MDS.

Digitaalisesta kuva-aineistosta pystyttiin koneoppimisen avulla tunnistamaan tarkasti tavallisimmat oireyhtymän kulkuun vaikuttavat verisolujen perimän muutokset, kuten hankinnaiset mutaatiot ja kromosomimuutokset. Ennustemallit antoivat tutkimuksessa sitä luotettavamman tuloksen, mitä enemmän poikkeavia soluja näytteissä oli.

Neuroverkkomallien hyödyntämisen suurimpia haasteita on ymmärtää, millä perusteella ne tekevät johtopäätöksiä datasta, esimerkiksi kuvien sisältämästä tiedosta.

Nyt julkaistussa tutkimuksessa onnistuttiin selvittämään, mitä syväoppimismallit näkevät kudosnäytteistä, kun ne on opetettu etsimään esimerkiksi MDS-oireyhtymään liittyviä verisolujen perimän muutoksia. Menetelmän avulla saadaan uutta tietoa monimutkaisten tautien vaikutuksista luuytimen solukkoon ja ympäröivään kudokseen.

Osa tutkimuksen analytiikasta on toteutettu Hus tietoallas -ympäristössä, joka mahdollistaa laajojen kliinisten aineistojen tehokkaan keruun ja analysoinnin.

– Olemme kehittäneet ratkaisuja Hus tietoaltaan datan rakenteistamiseksi ja analysoimiseksi. Kuva-analyysillä voimme analysoida suuria määriä koepaloja ja tuottaa monipuolisesti ja nopeasti tietoa taudinkulusta. Projektissa kehitetyt menetelmät ovat käyttökelpoisia myös muissa hankkeissa ja erinomaisia esimerkkejä digitalisoituvasta lääketieteestä, kertoo tohtorikoulutettava Oscar Brück.

Tutkimusta rahoittivat Syöpäsäätiö, Sigrid Juseliuksen säätiö ja valtion tutkimusrahoitus yliopistotasoiseen terveyden tutkimukseen (VTR). Se on osa Suomen Akatemian rahoittamaa iCAN Digital Precision Cancer Medicine -lippulaivahanketta.