Väitös

Kimmo Kartasalo: Väitöstutkija kehitti laskennallisen patologian menetelmät eturauhassyövän ja rintasyövän diagnostiikkaan

Kimmo Kartasalo
Laskennallisten menetelmien kuten tekoälyn käyttö lääketieteessä yleistyy. Patologian alalla kudosnäytteiden digitaalinen kuvantaminen ja analyysi voi mahdollistaa muun muassa tehokkaamman ja tarkemman syöpädiagnostiikan sekä aiempaa kattavamman analytiikan tutkimuskäyttöön. DI Kimmo Kartasalon väitöstutkimuksessa esitellyt laskennallisen patologian menetelmät soveltuvat eturauhas- ja rintasyövän diagnostiikkaan sekä kudosnäytteiden kolmiulotteiseen tarkasteluun.

Kudosnäytteiden mikroskooppinen tarkastelu eli histopatologinen arviointi on muun muassa syöpätautien diagnostiikan kulmakivi. Ala kärsii kuitenkin globaalista patologipulasta, minkä lisäksi nykyisten histopatologisten määritysten tulokset ja edelleen hoitopäätökset vaihtelevat huomattavasti eri patologien välillä.

Patologia käy parhaillaan läpi digitaalista murrosta, jossa skannerit syrjäyttävät mikroskoopit. Tuotetun kuvadatan laskennallinen käsittely voi vähentää patologien työkuormaa osittaisen automatisoinnin avulla ja tukea päätöksentekoa histopatologisissa määrityksissä. Tutkimuskäytössä kudosnäytteiden digitalisointi mahdollistaa myös täysin uudenlaisten, entistä kattavampien analyysien suorittamisen.

Kartasalo sovelsi väitöskirjatyössään koneoppimista syöpäsolujen tunnistamiseen digitaalipatologisista kuva-aineistoista. Koneoppiminen on tekoälyn piiriin luettava tietotekniikan osa-alue, joka pyrkii jäljittelemään älykästä päätöksentekoa.

Rintasyövän diagnostiikkaan keskittyneessä väitöskirjan osatyössä koneoppimisjärjestelmä koulutettiin patologien arvioimien esimerkkien avulla erottelemaan rintasyövän etäpesäkkeet normaalista kudoksesta. Tieto imusolmukkeisiin levinneestä syövästä on keskeistä hoidon suunnittelun kannalta, mutta patologille syöpäsolujen etsiminen on työlästä ja aikaa vievää.

Väitöskirjan laajimmassa osatyössä kehitettiin syviksi neuroverkoiksi kutsuttuja moderneja koneoppimisalgoritmeja hyödyntävä järjestelmä, joka tunnistaa syöpää sisältävät eturauhasen koepalat, arvioi syöpäkudoksen määrän ja suorittaa syövän aggressiivisuutta edustavan Gleason-pisteytyksen automaattisesti. Ruotsalaisten tutkijoiden kanssa toteutettu tutkimus hyödynsi yli 8000 kliinisessä STHLM3-kokeessa kerättyä digitoitua koepalaa järjestelmän kouluttamiseen ja testaamiseen.

— Kyseessä on maailmanlaajuisesti ensimmäinen tutkimus, jossa osoitettiin laajalla kliinisesti edustavalla aineistolla tekoälyn kykenevän eturauhassyövän diagnosointiin ja Gleason-pisteytykseen kokeneita urologiaan erikoistuneita patologeja vastaavalla tavalla, Kimmo Kartasalo kertoo.

Väitöskirjatyössä tutkittiin myös kudosnäytteiden kolmiulotteista analyysia mikroskooppisella tarkkuudella eli niin kutsuttua 3D-histologiaa.

Tavanomaiset kudosleikkeet edustavat vain rajattua kaksiulotteista poikkileikkausta alkuperäisestä kolmiulotteisesta näytteestä. Digitoinnin myötä on kuitenkin mahdollista laskennallisesti rekonstruoida kolmiulotteinen näyte usean kudosleikkeen perusteella. Tällainen tarkastelu voi auttaa kattavamman kuvan muodostamisessa prosesseista, joissa kudoksen rakenteiden ja solutyyppien keskinäisellä sijoittumisella kolmiulotteisessa tilassa on merkitystä.

— Rekonstruktio on kuitenkin monimutkainen digitaalisen kuvankäsittelyn ongelma, ja luotettavien algoritmien kehittämistä hankaloittaa se, että rekonstruoidun 3D-mallin tarkkuuden arviointi on vaikeaa. Työssä kehitettiin tapoja arvioida numeerisesti 3D-rekonstruktioiden totuudenmukaisuutta ja vertailtiin useita erilaisia rekonstruktioalgoritmeja, Kartasalo kertoo.

Väitöskirjassa osoitetaan, että tekoäly saavuttaa asiantuntijatasoisen tarkkuuden rinta- ja erityisesti eturauhassyövän histopatologisessa diagnostiikassa. Eturauhaskoepaloja arvioiva menetelmä voisi vähentää patologien työkuormaa, parantaa potilasturvallisuutta sekä vähentää Gleason-pisteytykseen liittyvää epävarmuutta. Järjestelmää jatkokehitetäänkin parhaillaan kliinistä käyttöä ajatellen. Lisäksi työssä toteutettu kudosnäytteiden kolmiulotteiseen analytiikkaan suunniteltujen algoritmien suorituskyvyn kartoitus auttaa 3D-histologian jatkokehittämistä prototyypistä laajemmin käytetyksi biolääketieteellisen tutkimuksen menetelmäksi.

Kartasalo on kotoisin Joensuusta ja toteutti väitöskirjatutkimuksensa Tampereen yliopiston biokuvainformatiikan tutkimusryhmässä.

Diplomi-insinööri Kimmo Kartasalon biolääketieteen tekniikan alaan kuuluva väitöskirja Machine learning and 3D reconstruction methods for computational pathology tarkastetaan julkisesti Tampereen yliopiston lääketieteen ja terveysteknologian tiedekunnassa perjantaina 21.5.2021 klo 12 alkaen Arvo-rakennuksen Jarmo Visakorpi -salissa, Arvo Ylpön katu 34, Tampere. Vastaväittäjänä toimii professori Johan Lundin Karoliinisesta instituutista. Kustoksena toimii dosentti Pekka Ruusuvuori lääketieteen ja terveysteknologian tiedekunnasta.

Tilaisuutta on mahdollista seurata etäyhteydellä.

Väitöskirjaan voi tutustua osoitteessa
http://urn.fi/URN:ISBN:978-952-03-1953-3


Kuva: Nita Mulliqi

 

Tulevat tapahtumat

Menneet tapahtumat