Tekoälyä ja koneoppimista hyödynnetään koko ajan enemmän syöpätutkimuksessa ja se tarjoaa paljon mahdollisuuksia myös kliiniseen diagnostiikkaan. Algoritmeja on opetettu suorittamaan monimutkaisia tehtäviä, kuten syöpäkudoksen tunnistamista ympäröivästä kudoksesta ja kasvaimen pahanlaatuisuusasteen määrittämistä. Myös sairauden ennusteen tuottamista kokonaan ilman asiantuntijan lausuntoa on tutkittu lupaavin tuloksin.
Tänään Scientific Reports –tiedejulkaisussa julkaistussa tutkimuksessa professori Johan Lundinin johtama tutkimusryhmä halusi laajentaa näiden sovellusten käyttömahdollisuuksia entisestään.
Tutkimuksessa keskityttiin kehittämään tekoälyyn perustuvaa työkalua, joka pystyisi tunnistamaan niin sanotut ERRB2-positiiviset syöpäkasvaimet. ERRB2 (toiselta nimeltään HER2) on proteiini, joka kiihdyttää syöpäsolujen kasvua. Noin yhdellä viidestä rintasyöpäpotilaasta on tätä kasvutekijää koodaavan geenin monistuma, jolloin syöpäkudos tuottaa ylimäärin ERRB2-proteiinia. Tällaisia potilaita hoidetaan yleensä biologisella täsmälääkkeellä.
Kansallisen FinProg-tutkimuksen keräämää rintasyöpänäytekokoelmaa hyödyntämällä tutkijat osoittivat, että tekoälyalgoritmi pystyi oppimaan ERRB2-positiivisille syöpäkasvaimille ominaisia piirteitä. ERR2-positiivisuden tunnistamiseen ei siis tarvittu molekyylibiologisia testejä vaan siihen riitti digitoitujen syöpäkudosnäytteiden analysoiminen.
–Tuloksemme osoittavat, että koneoppimisen avulla syöpäkudoksen rakenteesta voidaan saada paljon sellaista sairauden biologisista mekanismeista kertovaa tietoa, jolla on merkitystä myös potilaan hoidon kannalta, sanoo tutkimuksen toteuttanut väitöskirjatyöntekijä Dmitrii Bychkov Helsingin yliopiston Suomen molekyylilääketieteen instituutista.
Seuraavaksi tutkimusryhmä halusi selvittää, voisiko menetelmää soveltaa laajemminkin potilaan ennusteen ja lääkevasteen selvittämiseen. Tähän hyödynnettiin näyteaineistoa ERRB2-positiivisen rintasyövän täsmälääkeen, trastutsumabin, tehoa selvittäneestä kliinisestä FinHer-tutkimuksesta.
Tulokset osoittivat, että tekoäly pystyi kudosnäytteitä analysoimalla luokittelemaan täsmälääkkeellä hoidetut ERRB2-positiiviset potilaat kahteen ryhmään. Ryhmiä vertaamalla voitiin todeta, että ne potilaat, jotka myös algoritmi luokitteli ERRB2-positiivisiksi, selvisivät syövästä useammin kuin algoritmin ERRB2-negatiivisiksi luokittelemat potilaat.
–Nämä koneälyyn perustuvat menetelmät avaavat uusia mahdollisuuksia syövän kehittymisen kannalta oleellisten rakenteellisten ominaisuuksien havaitsemiseen ja voivat tulevaisuudessa osaltaan edistää rintasyövän tarkempaa diagnostiikkaa ja yksilöllisen hoidon suunnittelua, sanoo dosentti Nina Linder, yksi tutkimuksen vastuututkijoista.
Tutkimuksen löydökset osoittivat myös, että osalla ERR2-negatiivisten potilaiden syöpänäytteistä oli ERR2-positiivisille syöville tyypillisiä rakenteellisia piirteitä. Tutkijoiden mukaan onkin mahdollista, että myös nämä potilaat hyötyisivät ERR2-positiivisille potilaille kohdennetuista täsmälääkkeistä.
Tutkimukseen osallistuneen Helsingin yliopistossa ja HUS Syöpäkeskuksessa toimivan professori Heikki Joensuun mukaan on huomionarvoista, että analyysia varten kudosnäytteitä ei tarvitse käsitellä erikoismenetelmin, vaan normaalit kudosleikkeet riittävät.
–Tekoälyyn perustuvat menetelmät saattavat joiltain osin jopa ylittää nykyisten diagnostisten menetelmien tarkkuuden ja edistää näin yksilöllisen syövänhoidon toteuttamista. Nyt esitetyn hypoteesin testaamiseksi voisi olla syytä suunnitella kliininen koe, Joensuu sanoo.
–Tämä on yksi ensimmäisistä tutkimuksista, jotka osoittavat, että kasvainnäytteisiin käytetty tekoäly voi ennustaa rintasyövän täsmähoidon tehoa, toteaa professori Johan Lundin.
Tutkimusta ovat rahoittaneet iCAN Digital Precision Cancer Medicine Flagship projekti, Sigrid Juséliuksen Säätiö, Biomedicum Helsinki Säätiö, Orionin tutkimussäätiö, Finska Läkaresällskapet r.f, ja HiLIFE Helsinki Institute of Life Sciences.
Alkuperäinen julkaisu
Bychkov D, Linder N, Tiulpin A, Kucukel H, Lundin M, Nordling S, Sihto H, Isola J, Lehtimaki T, Kellokumpu-Lehtinen PL, von Smitten K, Joensuu H, Lundin J. Deep learning identifies morphological features in breast cancer predictive of cancer ERBB2 status and trastuzumab treatment efficacy. Sci Rep 11, 4037 (2021), https://doi.org/10.1038/s41598-021-83102-6
Lisätietoja:
Tutkimusjohtaja Johan Lundin
Suomen molekyylilääketieteen instituutti FIMM, HiLIFE, Helsingin yliopisto
Professor of Medical Technology, Karolinska Institutet, Sweden
e-mail: johan.lundin@helsinki.fi
puh: +358 50 4155459