DI Kimmo Kartasalo esittelee väitöstutkimuksessaan laskennallisen patologian menetelmiä, jotka soveltuvat eturauhas- ja rintasyövän diagnostiikkaan sekä kudosnäytteiden kolmiulotteiseen tarkasteluun.
Hän osoittaa biolääketieteen tekniikan alaan kuuluvassa tutkimuksessaan, että tekoäly saavuttaa asiantuntijatasoisen tarkkuuden rinta- ja erityisesti eturauhassyövän histopatologisessa diagnostiikassa.
— Kyseessä on maailmanlaajuisesti ensimmäinen tutkimus, jossa osoitettiin laajalla kliinisesti edustavalla aineistolla tekoälyn kykenevän eturauhassyövän diagnosointiin ja Gleason-pisteytykseen kokeneita urologiaan erikoistuneita patologeja vastaavalla tavalla, Kartasalo kertoo Tampereen yliopiston väitöstiedotteessa.
Eturauhaskoepaloja arvioiva menetelmä voisi vähentää patologien työkuormaa, parantaa potilasturvallisuutta sekä vähentää Gleason-pisteytykseen liittyvää epävarmuutta.
Järjestelmää kehitetään parhaillaan eteenpäin tähtäimessä kliininen käyttö.
Kartasalo sovelsi väitöskirjassaan koneoppimista syöpäsolujen tunnistamiseen digitaalipatologisista kuva-aineistoista.
Koneoppiminen on tekoälyn piiriin luettava tietotekniikan osa-alue, joka pyrkii jäljittelemään älykästä päätöksentekoa.
Rintasyövän diagnostiikkaan keskittyneessä väitöskirjan osatyössä koneoppimisjärjestelmä koulutettiin patologien arvioimien esimerkkien avulla erottelemaan rintasyövän etäpesäkkeet normaalista kudoksesta.
Tieto imusolmukkeisiin levinneestä syövästä on keskeistä hoidon suunnittelun kannalta, mutta patologille syöpäsolujen etsiminen on työlästä ja aikaa vievää.
Lue myös:
Väitöskirjan laajimmassa osatyössä kehitettiin syviksi neuroverkoiksi kutsuttuja moderneja koneoppimisalgoritmeja hyödyntävä järjestelmä, joka tunnistaa syöpää sisältävät eturauhasen koepalat, arvioi syöpäkudoksen määrän ja suorittaa syövän aggressiivisuutta edustavan Gleason-pisteytyksen automaattisesti.
Ruotsalaisten tutkijoiden kanssa toteutettu tutkimus hyödynsi yli 8000 kliinisessä STHLM3-kokeessa kerättyä digitoitua koepalaa järjestelmän kouluttamiseen ja testaamiseen.
Lue myös:
Väitöskirjatyössä tutkittiin myös kudosnäytteiden kolmiulotteista analyysia mikroskooppisella tarkkuudella eli niin kutsuttua 3D-histologiaa.
Digitoinnin myötä on mahdollista tavallisen kaksiulotteisen näytteen sijaan laskennallisesti rekonstruoida kolmiulotteinen näyte usean kudosleikkeen perusteella.
— Rekonstruktio on kuitenkin monimutkainen digitaalisen kuvankäsittelyn ongelma, ja luotettavien algoritmien kehittämistä hankaloittaa se, että rekonstruoidun 3D-mallin tarkkuuden arviointi on vaikeaa. Työssä kehitettiin tapoja arvioida numeerisesti 3D-rekonstruktioiden totuudenmukaisuutta ja vertailtiin useita erilaisia rekonstruktioalgoritmeja, Kartasalo kertoo.
Tämä algoritmien suorituskyvyn kartoitus auttaa 3D-histologian jatkokehittämistä prototyypistä laajemmin käytetyksi biolääketieteellisen tutkimuksen menetelmäksi.
Diplomi-insinööri Kimmo Kartasalon väitöstutkimus tarkastetaan perjantaina 21. toukokuuta Tampereen yliopiston lääketieteen ja terveysteknologian tiedekunnassa.
