För att använda strålbehandling på en patient med en eller flera cancertumörer är det viktigt att veta exakt var tumörerna är lokaliserade. Cancerläkare, så kallade onkologer, behöver också ta hänsyn till riskorgan, vilket är vävnad som ligger i anslutning till tumören. Genom att precisera exakt område kan strålningen slå ut tumörvävnaden utan att skada viktig intilliggande vävnad. För att lokalisera tumör och riskorgan används en magnetkamera för att samla in olika typer av bilder. Inför strålterapi måste en strålonkolog ofta för hand rita ut tumören och riskorganen i dessa bilder, vilket kan ta timmar av onkologens tid per patient. Genom att i stället använda sig av artificiell intelligens, AI, kan alla områden bli utritade per automatik och därmed spara många timmar i sjukvården.
Viktigt med många bilder
AI-modellen lärs upp genom att träna på en stor mängd medicinska bilder, där strålonkologens utritningar används som facit. Det är viktigt att den stora mängden data som används representerar så stor andel av befolkningen som möjligt, för att modellerna ska kunna användas på alla patienter. Dock råder det brist på medicinska bilder och medicinsk information att träna upp AI med, eftersom det finns flera juridiska aspekter att ta hänsyn till. Det krävs bland annat etiskt godkännande när sådan känslig information ska delas för forskning.
Generera bilder för att få stor mängd bilder
I en artikel publicerad i tidskriften Scientific Data beskriver LiU-forskare hur de utvärderar metoden att istället generera bilder att träna AI-modeller med. Sådana bilder kallas syntetiska bilder.
– Syntetiska bilder kan vara lättare att dela med andra forskare. Eftersom sådana bilder inte hör till en specifik person är inte GDPR applicerbart, säger biträdande professor Anders Eklund.
Forskarna skapade de syntetiska bilderna utifrån en öppen samling av data som kallas BraTS. BraTS innefattar bilder och utritade tumörer för hjärntumörpatienter från en mängd olika sjukhus. Eftersom bilderna bygger på öppen data har forskargruppen kunnat dela vidare de syntetiska på AIDA (Analytic Imaging Diagnostics Arena) data hub, så att andra forskare också kan använda dessa bilder.
Berzelius hjälpte dem att spara år av väntetid
Forskargruppen jämför resultatet från AI-modeller tränade med syntetiskt framställda bilder med resultatet från AI-modeller tränade med riktiga magnetkamerabilder på patienters hjärntumörer.
– En utmaning som kvarstår är om vi har för få ursprungliga medicinska bilder för att träna modeller att generera syntetiska bilder. Vi har sett att de syntetiska bilderna i dessa fall kan bli för lika de riktiga bilderna och sådana bilder vill man inte dela, säger Anders Eklund.
Positivt resultat
Det återstår också att reda ut de exakta juridiska villkoren för att kunna dela syntetiska bilder. I övrigt är resultaten goda. De visar att syntetiska medicinska bilder kan vara ett alternativ för att enklare kunna dela data och därmed utveckla AI-modeller med medicinsk tillämpning.
*Rätt svar på bildfrågan i översta bilden finns i figur 5 i forskningsartikeln på nature.com
Datasetet med de syntetiska bilderna som forskargruppen delat vidare
