Umeå-forskare får tre miljoner för att förbättra och möjliggöra användningen av AI vid behandling av barncancer
- november 2, 2021
- Allmänt
- Victoria Skeidsvoll
Barn med cancer är oftast inte representerade när moderna AI-metoder utvecklas för automatisering inom strålbehandling.
– Tack vare stöd från Barncancerfonden kommer vi nu att kunna utveckla nya AI-metoder som även fungerar för denna patientgrupp, säger Tommy Löfstedt, universitetslektor vid institutionen för datavetenskap, Umeå universitet.
Tommy Löfstedt och hans forskargrupp kommer att fokusera på att utveckla nya automatiska metoder för att identifiera tumörregioner och regioner som utgörs av riskorgan. Framförallt kommer de att studera hur dessa ska se ut så att de även fungerar väl för barn.
– Våra nya AI-metoder identifierar de relevanta regionerna i datortomografibilder, och håller tillräckligt hög kvalitet för att kunna användas kliniskt i framtida adaptiva strålbehandlingar för mycket unga personer, säger Tommy Löfstedt.
Tidskrävande process
I dagens strålbehandling markerar en onkolog manuellt de områden som ska behandlas. Hen definierar samtidigt också de områden som är viktiga att undvika för att inte skada, och denna process kan vara väldigt tidskrävande.
– Det finns metoder som kan automatisera delar av arbetet, men de är inte tillräckligt effektiva och korrekta samt kräver stora mängder data. I de allra flesta fall är de i första hand utvecklade för vuxna patienter, säger Tommy Löfstedt.
Det han och hans forskargrupp vi vill göra är att utveckla moderna AI-metoder som fungerar lika bra för såväl vuxna som för barn. Tommy Löfstedt och hans kollegor i projektet ”Automatiserad strålbehandling för barnonkologi och utmaningen med små mängder data” får nu tre miljoner från Barncancerfonden för att utveckla mer moderna AI-metoder baserade på så kallad djup maskininlärning och djupa neuronnät, för automatisk segmentering i medicinska bilder.
Ny standard
Förhoppningen är att ta de första stegen mot en svensk standard för automatiserad strålbehandling, samt att förbereda och förenkla möjligheterna att använda denna typ av AI-metoder i klinisk praktik i Sverige.
– Våra preliminära resultat visar att de automatiska segmenteringarna med befintliga metoder kan skilja sig signifikant mellan vuxna och barn, till nackdel för barnpatienterna. Nu hoppas vi kunna utveckla nya metoder som fungerar lika bra för alla patienter, dvs. även för barnpatientgruppen, säger Tommy Löfstedt.
