Deep Learning

Framsteg inom digitalisering av vävnadsprov och maskininlärning har drivit på forskningen om beräkningspatologi. Speciellt användningen av 'deep learning'-tekniker, där man tränar systemet med ett stort antal histo-patologiska bilder, har visat sig vara mycket kraftfullt.

Idag närmar sig datorsystemen nivån hos människor för vissa väldefinierade uppgifter i patologi. Ett exempel är räkningen av mitoser för gradering av bröstcancer och detektering av lymfkörtelmetastaser för att avgöra tumörstadium.


Min forskning fokuserar på utveckling av sådana 'deep learning'-algoritmer.

Syftet är tvåfaldigt:

  1. Att stödja patologernas arbete genom att öka effektiviteten och minska risken för påverkan av observatörens egna förutfattade meningar (observer bias).
  2. Att identifiera potentiella nya (prognostiska och prediktiva) biomarkörer för att ta fram en individuell behandling.


För att kunna nå dessa mål finns det fortfarande ett antal utmaningar kvar att lösa. En viktig förutsättning för utveckling av 'deep learning'-algoritmer är tillgängligheten av data (både av hög kvalitet och i stor mängd). En stor del av forskningen är därför inriktad på att etablera samarbeten, förvärva kliniska data såväl som mänskliga vävnadsprover och arbeta med expertpatologer runt om i världen.

Därefter krävs forskning om olika 'deep learning'-strategier för att utveckla de mest optimala modellerna.

Slutligen måste utvecklade modeller valideras i rutinmässig klinisk praxis för att bevisa säkerhet och användbarhet.

Min forskning syftar till att fokusera på alla dessa olika aspekter, med det slutliga målet att förbättra cancerdiagnostik och prognoser.

Forskning
Visa/dölj innehåll

Organisation
Visa/dölj innehåll