Forskningsprojekt Neurala nätverk som används för utritning av tumörer och riskorgan vid strålbehandling behöver inte bara, som görs idag, rapportera vilken vävnad som finns i varje pixel. Med hjälp av statistiska metoder kan man även få information om hur säkert nätverket är på sin slutsats. Denna osäkerhetsinformation kan då användas till att ge feedback om kvalitén på utritningarna, ligga till grund för hur man kan träna nätverket ytterligare samt användas för att skapa mer robusta behandlingsplaner.
Syftet med det här projektet är att undersöka hur AI genererad information om osäkerheter kan användas till att förbättra strålbehandlingen. Fokus ligger på tre områden: (1) Hur väl kan vi kvantifiera osäkerheter i utritningar och hur kan den informationen användas till att informera när manuella justeringar behövs? (2) Kan den data som genereras vid manuella justeringar användas för att på ett effektivt sätt kontinuerligt förbättra nätverken som skapar utritningarna? (3) Hur kan osäkerheterna från nätverken integreras i framtagningen av robusta strålbehandlingsplaner?
Bakgrund
Strålbehandling är en avgörande del av kampen mot cancer och används i omkring hälften av alla cancerfall. Dess mål är att rikta strålning mot cancerceller samtidigt som skador på andra organ i kroppen undviks i största möjliga mån. Ett viktigt moment vid planering av strålbehandling är att markera tumörer och känsliga organ vilket traditionellt varit mycket resurskrävande. Med intåget av artificiell intelligens inom vården håller det på att förändras. Forskning inom semantisk segmentering har möjliggjort automatisk utritning av tumörer och riskorgan och mjukvaror finns nu tillgängliga bruk i vården. Att exakt markera var tumörer och riskorgan ligger i en bild är svårt. Det innebär att såväl mänskliga som AI-baserade metoder alltid är förknippade med osäkerheter. Är osäkerheterna stora riskerar man att träffa fel med strålningen vilket kan innebära att behandlingen misslyckas eller att man får mer bieffekter. De AI-baserade metoderna öppnar här en ny möjlighet till individanpassade osäkerheter genom ett flertal metoder som har utvecklats på senare tid för osäkerhetsuppskattning för djupa neurala nätverk. Hur väl dessa metoder fungerar för att kvantifiera osäkerheter i AI-segmenteringar inom strålbehandling är idag okänt, inte heller har vi en god uppfattning om hur mycket man kan förbättra dosplanerna om tillförlitlig osäkerhetsinformation fanns tillgänglig.
Mål
Målet med projektet är att undersöka hur tillförlitliga och användbara AI-baserade osäkerhetsuppskattningar är för strålbehandling och fokuserar på tre delområden:
1. Vidareutveckla och utvärdera metoder för AI-baserade osäkerhetsuppskattningar med fokus på hur väl de kan kvantifiera faktiska segmenteringsosäkerheter.
2. Undersöka hur osäkerheter kan användas för att automatiskt identifiera utritningar som kan vara i behov av manuella korrektioner samt undersöka hur korrektionerna effektivt kan användas för att förbättra nätverken.
3. Undersöka hur de beräknade osäkerheter kan användas för att generera mer robusta dosplaner.
Betydelse
Korrekt kvantifierade osäkerheter ger insikter i hur tillförlitliga automatiska segmenteringar är, vilket kan leda till bättre underbyggda beslut och mer tillförlitliga dosplaner. Automatisk identifiering av osäkra segmenteringar kombinerat med manuella korrigeringar som används för att förbättra de automatiska segmenteringarna leder till att de automatiska systemen blir bättre med tiden. Det är till stor nytta för såväl patienter som för kliniken där resurser kan sparas när metoderna blir bättre och bättre med minimalt manuellt arbete. Integrering av osäkerheterna i dosberäkningarna möjliggör att mer individanpassade dosplaner kan användas vilket förväntas innebära effektivare behandlingar med färre biverkningar.
Extern finansiering
Barncancerfonden
Region Västerbotten ALF
