Tilbake til søkeresultatene

FRIMEDBIO-Fri prosj.st. med.,helse,biol

Learning from Deep learning

Alternativ tittel: Læring fra Dyp Læring

Tildelt: kr 9,6 mill.

Kunstig intelligens med dyp læring revolusjonerer medisinsk bildediagnostikk og utkonkurrerer eksisterende metoder. Vi har tidligere utviklet en metode basert på dyp læring som bruker avbildede vevssnitt til å beregne sannsynlig utfall for pasienter med kreft i tykk- og endetarm. Metoden er bedre enn andre tilgjengelige prognostiske metoder, men virkemåten er som en svart boks der vi ikke forstår hvorfor metoden fungerer. Denne mangelen på transparens hindrer effektiv klinisk implementering. Målet med dette prosjektet er å identifisere biologiske mekanismer som dyplæringssystemet vårt måler og utnytter i prediksjon, både for å oppnå bedre innsikt i kreft og kreftutvikling og for å utvikle bedre prognostiske markører for kreftpasienter. Avanserte metoder kan identifisere bildeområder som er særlig viktige for dyplæringssystemets prediksjon. Vi vil kombinere disse relevante bildeområdene med detaljert informasjon om sentrale biologiske faktorer i celler og vev. I hver enkelt celle og omkringliggende vev skal vi måle biologiske faktorer og sammenstille denne informasjonen med prediksjonen for de samme områdene. Denne studien er designet for å bruke dyplæringsprediksjoner som guide for å identifisere kombinasjoner av biologiske faktorer som er viktige for pasientutfall. Vi skal studere prostata- og endetarmskreft med denne unike kombinasjonen av biologi og maskinlæring. Resultatet vil sørge for at våre egne og lignende metoder blir mer forståelige og dermed enklere å ta i bruk for klinikere, samt å øke forståelsen av de biologiske mekanismene bak metastatisk sykdom.

A rapidly increasing number of publications now demonstrate high performance of convolutional neural networks in medical diagnostics. However, few of these systems have reached the clinic, an important reason being their “black box” nature - the basis of their predictions is not traceable by humans. We have recently developed the DoMore-v1 classifier, a deep learning system for predicting patient outcome in colorectal cancer (Skrede et al., Lancet 2020;395:350-360). When independently tested on 1122 patients, the classifier outperformed all current prognostic biomarkers. However, an intriguing question remains: How can neural networks utilizing plain microscopic tissue images to predict patient outcome years later? Recent developments have provided methods that enhance our ability to visualize image areas of particular importance to network predictions. However, it seems unlikely that satisfactory understanding can be obtained without supplementing such information with concrete biomedical information, including biochemical measurements on cellular level. This latter information must be provided on image form, aligned to the images showing areas of particular importance to outcome predictions. Thus, the first work-packages in the project develop methods for simultaneous displaying various biochemical markers in pathological images and further develop tools for identifying the same cells in different images. The next packages aim at adapting and testing visualization methods to make them suitable for revealing features in pathological images utilized by prediction networks, while the last project activity is to connect important image characteristics and the biomedical markers. Through this combined biological and machine learning approach, we intend to provide methods to make our own and similar networks more transparent and thus easier to use for clinicians, as well as to improve our understanding of the biological mechanisms underlying metastatic disease.

Budsjettformål:

FRIMEDBIO-Fri prosj.st. med.,helse,biol

Finansieringskilder