FRIPROSJEKT-FRIPROSJEKT

Hjernekreft er en av de dødeligste kreftformene som finnes, og målet for dagens behandling er kun å begrense tumorvekst. Selv etter flere tiår med forskning har overlevelsen for denne pasientgruppen nesten ikke forbedret seg. En grunn til dette paradokset er at diagnostikken og den tilhørende behandlingen i liten grad tar hensyn til sykdommens store heterogenitet. Ved å ‘tvinge’ den enkelte pasient inn i tilgjengelige og generelle behandlingsforløp tar vi lite hensyn til pasientenes unike sykdomsbilde. Isteden bør vi la all tilgjengelig informasjon fra pasienten fortelle oss hva som er det beste behandlingsalternativet for den enkelte pasient. Dette er såkalt persontilpasset medisin. Inntil nå har en så kompleks, intuitiv tilnærming til analyse av medisinske bildedata ikke vært teknisk mulig. Dagens undersøkelser av hjernekreft ved hjelp av Magnetisk Resonans (MR) avbildning spesielt er så omfattende, og inneholder så mange bilder og datapunkter, at det er tilnærmet umulig for et menneske å ta inn over seg all informasjonen som finnes i bildene. TrackGrowth-prosjektet vil isteden dra nytte av neste generasjons kunstig intelligens, såkalt dyplæring, for å bedre oppdage når og hvordan hjernekreft vokser og responderer på behandling. Vår forskningshypotese bygger på foreløpige data som viser at vi kan bruke dyplæring til å oppdage sykdomsforandringer på MR-bilder så tidlig som 6 måneder før de ellers er synlige ved tradisjonelle metoder. Det viser seg at en voksende kreftsvulst medfører små, komplekse endringer i hjernens oppbygning og utseende som kun dyplæringen klarer å fange opp på et tidlig tidspunkt. Vi skal bruke erfaringene og resultatene fra TrackGrowth direkte inn i en pågående klinisk studie hvor vi bruker medisiner til å prøve å redusere trykket i hjernen, med håp om å forbedre den vanlige behandlingen av pasienter med hjernesvulst. Vårt mål er at dyplæring kan være med å reelt påvirke pasientbehandlingen på Oslo Universitetssykehus. Prosjektet har frem til september 2024 fokusert på analyse av nye biomarkører ved MR, bruk av kunstig intelligens (KI) for å forutsi tumorvekst, og transparens i KI-modellene våre. Viktige leveranser inkluderer publisering av funn i prestisjetunge tidsskrifter og på konferanser, samt implementering av analyseverktøy i vår klinisk, radiologiske arbeidsflyt. Programvareprototypen vår er nå integrert i et sykehusgodkjent rammeverk i PACS (arkiveringssystem for radiologiske bildedata). Teknologien er beskyttet av et pågående patent (som dekker tiltenkt bruk), hvilket for tiden er i nasjonal fase i USA og i Europa (Inven2 kommersialiseringsprosjekt 21091). Vi vurderer samtidig den kliniske verdien av programvaren i en realistisk, klinisk setting. Her at vi også etablert et kvalitetsstyringssystem («QMS») for å sikre teknisk utvikling i henhold til beste praksis og gjeldende regelverk. Med dette systemet blir utviklingen av TrackGrowth-teknologien hensiktsmessig dokumentert, kontrollert og tilgjengeliggjort. Alt dette legger til rette for klinisk og teknisk validering som er nødvendig for regulatorisk godkjenning. En annet fokusområde for TrackGrowth-prosjektet har vært utviklingen av en banebrytende KI-modell designet for å forutsi gliomvekst basert på historiske MR-bilder. Dette verktøyet, bygget på såkalte diffusjonsmodeller og dype segmenteringsnettverk, bruker longitudinelle MR-data etter operasjon til å forutsi videre tumorutvikling og simulere fremtidige MR-bilder under ulike behandlingsscenarier. Et manuskript som beskriver resultatene er for tiden under fagfellevurdering. Når det gjelder visualisering av KI-basert tumorprogresjon, har TrackGrowth-prosjektet forbedret tolkbarheten til våre dyplæringsmodeller for overlevelsesanalyse. Gjennom undersøkelse av såkalte transparens-kart har påliteligheten til AI-modellene blitt vurdert, noe som har bevist sammenhenger mellom svulstens lokalisasjon i vitale hjerneområder og tilhørende reduserte overlevelsesrater for pasienter. Andre resultater inkluderer innovative biomarkører som kombinerer magnetisk resonans elastografi (MRE) måling av vevsstivhet i pasienter med gliom med RNA-sekvensering av vevsbiopsier. Dette tillater oss å utforske de molekylære egenskapene til stivhetssignalet slik vi ser det på MR. Denne metoden har avslørt de molekylære egenskapene til vevsstivhet i glioblastom, og assosiert økt hardhet (stivhet) i vevet med en pågående reorganisering av den ekstracellulære matrisen (stroma). Dette scenarioet fører igjen til en reduksjon i pasientens levetid (PMID: 37066109). Til slutt har TrackGrowth-prosjektgruppen engasjert seg i internasjonalt samarbeid og formidlingsaktiviteter, særlig gjennom sin deltakelse i europeiske nettverk som GliMR2.0 - COST Action CA18206-prosjektet, og EUCAIM-prosjektet (European Federation for Cancer Images) under EU4Health-paraplyen.

Brain tumors are one of the deadliest forms of cancer and the primary goal of treatment is simply to decelerate tumor growth. Still, after decades of research, the survival outcome for this patient group has hardly improved. A reason for this paradox is a one-size-fits-all approach to diagnosis and treatment that does not do justice to the time of diagnosis and inherent heterogeneity of the disease. The TrackGrowth project takes advantage of state-of-the-art deep learning technology to obtain new knowledge that will help stratify patients with brain cancer to receive the best personalized treatment option - at the right time. We present a new paradigm for tumor diagnostics, coined displacement biomaps, where deep learning brings to life hidden information on cancer growth stored in the imaging data. Our preliminary data show how a growing tumor change the entire architecture of the brain more than half a year before these changes are observed by traditional diagnostic means. This new information will allow physicians to make early decisions on treatment – a critical step for the patients in terms of improved quality of life and prolonged survival. Our network of key stakeholders at Oslo University Hospital (OUH) constitutes a powerhouse for imaging-based diagnostics and artificial intelligence (AI) in clinical oncology. We possess a unique computational infrastructure made ready for AI that allows us to assess the impact of the displacement biomaps directly in the clinical workflow.