Helsingin yliopiston ja Karoliinisen instituutin yhteistyössä toteuttama

osoittaa, että tekoälyä voidaan hyödyntää epänormaalien kohdunkaulan irtosolunäytteiden tunnistamiseen resurssiköyhissä maissa.

Tutkimusryhmä on kehittänyt uuden digitoitujen mikroskooppinäytteiden analysoimiseen perustuvan etädiagnostiikkaprosessin yhteistyössä kenialaisen sairaalan kanssa. Kohdunkaulansyöpä aiheuttaa Keniassa eniten naisten syöpäkuolemia, joten automatisoidulla diagnostiikalla voisi olla suuri merkitys.

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.

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, Lundin sanoo tiedotteessa.

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 prosenttia 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.