Magnetkamerabilder
​Illustrationen visar hur en hjärna ser ut i genomskärning via tredimensionella magnetröntgenbilder. De översta bilderna visar en person som insjuknat i Alzheimers och nedre raden visar bilder från en frisk person som deltog i studien.

Kan datorer lära sig att diagnosticera hjärnsjukdomar?

​Bildtekniken har inneburit en revolution inom sjukvården och används allmänt för att ställa diagnos före behandling eller operation. De tekniska framstegen till trots är det medicinska experter som oftast gör även rutinartade bedömningar av magnetröntgenbilder. Skulle det vara möjligt genom deep learning att lära datorer att bedöma bilder av hjärnan lika bra, eller till och med bättre, än läkare?
Deep learning handlar om att använda kraftfulla datorer med inbyggd artificiell intelligens för att efterlikna den mänskliga hjärnans sätt att tolka ny information och dra slutsatser i förhållande till vad som redan är känt. Skillnaden är bland annat att datorer kan analysera mycket större datamängder, vilket kan användas för att hitta bättre metoder att lösa svåra matematiska och tekniska problem.

– Genom att studera stora mängder bilddata från tidigare undersökningar av patienters hjärnor kan datorer lära sig att känna igen karakteristiska utseenden för vissa sjukdomar, och därmed kan de bli kraftfulla diagnosverktyg för läkarna, säger Irene Gu, professor i forskargruppen för signalbehandling på Chalmers.

Än så länge finns enbart preliminära resultat från forskning kring deep learning inom det medicinska området. Inom området datorseende däremot har deep learning redan nått upp till, eller till och med överträffat, vad människor klarar av när det gäller ansiktsigenkänning.

Irene Gu har nyligen startat ett forskningsinitiativ som går ut på att använda deep learning för att analysera magnetröntgenbilder av hjärnan. Arbetet sker i nära samarbete med läkare på Sahlgrenska universitetssjukhuset och med hjälp av flera studenter. Frågan är: Är det möjligt att genom artificiell intelligens ställa en Alzheimers-diagnos, eller att gradera hjärntumörer, bara genom att utgå ifrån stora mängder bilddata?

– Vi har fått de första resultaten och de är lovande. Vår ambition är att nå upp till samma höga kvalitet i resultaten som medicinska experter klarar men på ett enklare sätt, säger Irene Gu.

Att upptäcka Alzheimers
Alzheimers är en obotlig kronisk sjukdom som gör att hjärnvävnad gradvis förstörs. De bakomliggande orsakerna ännu inte är helt kända. Enligt statistik från världshälsoorganisationen WHO 2015 lider omkring 30 miljoner människor av Alzheimers. Till sjukdomens symtom hör bland annat förvirring, språksvårigheter, minnesförlust och humörsvängningar. Om diagnos och behandling sätts in tidigt är det möjligt att sjukdomsförloppet kan bromsas.

En vanlig metod för att upptäcka Alzheimers är att undersöka hjärnan med magnetkamera. Ofta ställs diagnosen i kombination med andra medicinska metoder som innebär undersökningar och observationer av hur patientens symtom på demens fortskrider.

– För att upptäcka sjukdomen har vi i det här projektet använt två jämförelsevis enkla men ändå effektiva metoder för deep learning, 3D convolutional networks och 3D multiscale residual networks, som bygger på att datorer tolkar information i bilder i många komplexa lager. Vi använder först ett stort antal magnetröntgenbilder för att lära datorn hur en hjärna som drabbats av Alzheimers ser ut. Med utgångspunkt från detta kan datorn sedan lära sig att särskilja personer som insjuknat från friska personer, förklarar Irene Gu.

Studien omfattade 340 personer och dessutom hade forskarna tillgång till omkring 1200 magnetröntgenbilder från en offentlig databas, Alzheimer’s Disease Neuroimaging Initiative (ADNI).

– Vi har fått resultat av hög kvalitet. Den ena metoden har nått en träffsäkerhet på 98,74 procent när tidigare osedda magnetkamerabilder bedömdes och 90,11 procent vid bedömning av bilderna från deltagarna i studien. Det ligger näst intill i paritet med de allra bästa jämförbara forskningsresultaten, säger Irene Gu. Metoden som vi har utvecklat är alltså användbar i den här typen av undersökningar.

Ett av projekten genomfördes som ett masterexamensarbete av Mahmood Nazari och Karl Bäckström. En artikel om projektet har nyligen blivit antagen av IEEE International Symposium on Biomedical imaging (ISBI) 2018.

Bedömning av hjärntumörer
Stärkt av de positiva resultaten har Irene Gu inlett ett annat forskningsprojekt baserat på liknande teknik, utfört av Karl Bäckström 2017.

– Tack vare intresset på Sahlgrenska för datorstödd diagnostik av hjärntumörer, och att vi i form av ett såddprojekt beviljades finansiering från institutionen för elektroteknik på Chalmers, kunde vi göra en deep learning-studie om gradering av hjärntumörer (gliom), säger Irene Gu.

Gliom är en typ av tumör som utvecklas i hjärnans gliaceller eller i ryggraden. Cirka 30 procent av alla hjärntumörer och tumörer i centrala nervsystemet är av denna typ. Omkring 80 procent av alla elakartade hjärntumörer är gliom.

Via läkarnas internationella nätverk kunde forskarna få tillgång till bildmaterial för hjärntumörer från USA, Frankrike och Österrike.

– Vi har redan fått en del lovande resultat, även om det gäller relativt små datamängder, säger Irene Gu. Nu går vi vidare med ytterligare fördjupad forskning där fler studenter och forskare från Chalmers deltar i nära samarbete med läkare på Sahlgrenska.

Text: Yvonne Jonsson

Mer information
Irene Gu, professor, institutionen för elektroteknik, Chalmers
irenegu@chalmers.se

Läs mer om datorseende och medicinsk bildanalys

Publicerad: to 08 feb 2018. Ändrad: to 08 feb 2018