Automatisert bildeanalyse gir beslutningsstøtte

Gjennom å bruke de data som kan trekkes ut av bildeundersøkelser og andre prøver underveis i sykdomsforløpet, har Marianne benyttet kunstig intelligens og dyplæring for å finne mønstre i utviklingen av sykdommen. Den grunnleggende hypotesen for hennes forskning har vært at det finnes genetiske særtrekk og biologiske forskjeller som viser seg på bildene som tas i MR. Disse opplysningene som hentes ut av undersøkelsene sier noe om hvor effektiv behandlingen kan forventes å være.

Glioblastomer har i tillegg til de delene av svulstene som tar opp i seg kontrastvæske under MR-undersøkelsen, også spredte kreftceller som ikke vises klart på bildene. Den delen av svulsten som ikke er kontrastladende, i forhold til den delen som har klar kontrastlading, gir et forhold som bidrar til å si noe om prognosene for levetid for pasienten. I tillegg til prognosen, klarer også den kunstige intelligensen å beregne størrelsen og avgrensningen på svulstene med høyere nøyaktighet enn det som to uavhengige eksperter klarer å gjøre. Her er det nok vanskelig for selv et erfarent og trent øye å legge merke til små forandringer, mens den kunstige intelligensen kan gå ned på den enkelte informasjonsbiten som kommer ut i en lang strøm fra MR-maskinen.

Sikrere prognoser for gjenvekst gir bedre kommunikasjon

De biomarkørene som har vært viktige for Mariannes arbeid har vært metyleringsstatus, hvor metylert MGMT gir bedre behandlingsrespons med Temozolomid, mutasjoner i genene som styrer celledød og andre signaler, sammen med forholdet mellom kontrastladende og ikke-kontrastladende svulstvolum. Mesteparten av de ikke-kontrastladende cellene er gjerne plassert innenfor noen centimeters avstand fra den kontrastladende svulsten. Hvor utviklingen av tilbakefall av sykdommen som kan skje både nært og litt lengre unna den svulsten som vanligvis blir fjernet av kirurgene, er vanskelig å forutse, men med forskningen til Marianne har dette nå blitt bedre forstått.

Resultatet av forskningen bidra til at vi både forstår de forskjellige undertypene av glioblastomer bedre og kan forutse effekt av behandlingen og sykdomsutviklingen. Sammen med den kliniske studien på bruk av Bortezomib for pasienter med umetylert MGMT-status som også er ledet fra Universitetet i Bergen/Haukeland universitetssykehus, har vi nå kommet et lite steg videre i forståelsen, slik at persontilpasset behandling blir enklere.

Også fra et pasientperspektiv er slik kunnskap nyttig, siden pasientene også skal være delaktige i behandlingsvalg, gjennom samvalg. Det finnes pr i dag ingen samvalgsverktøy som letter slike beslutninger. I Danmark har de laget en glimrende beslutningshjelper som bidrar til å lette kommunikasjonen med pasient og pårørende ved tilbakefall av høygradige gliomer, men den har ikke kobling til diagnostiske verktøy. Ved å kombinere det vi har av stadig økende kunnskap, kan legene gjøre både sin egen og pasientenes hverdag lettere ved å kunne redusere usikkerheten som preger de vanskelige valgene som må tas.

Kunstig intelligens har økende betydning

Som en del av disputasen fikk jeg også overvære en glimrende fremført prøveforelesning, på samme høye nivå som Marianne disputerte på. Dagen før disputasen fikk jeg også med meg Ingerid Reinertsens (SINTEF Digital / NTNU) glimrende gjesteforelesning om kunstig intelligens ved nevrokirurgisk beslutningsstøtte. Ingerid var andreopponent til Marianne, og er førsteamanuensis ved NTNU. Førsteopponent var Professor Joost Verhoeff, Amsterdam University Medical Center. Veiledere for Marianne var Martha Chekenya Enger og Arvid Lundervold, begge professorer ved UiB.