Representation learning for cross-modal molecular pathology
- Reference number
- ID23-0064
- Project leader
- Eilertsen, Gabriel
- Start and end dates
- 240101-281231
- Amount granted
- 2 500 000 SEK
- Administrative organization
- Linköping University
- Research area
- Computational Sciences and Applied Mathematics
Summary
Precision medicine has advanced in cancer care through the digitization of histology and the introduction of next-generation genome sequencing (NGS). These developments have facilitated collaboration between pathologists and enabled deep learning-based image analysis. NGS is becoming a standard in clinical routines, and it is expected that all cancer tumors will undergo DNA sequencing. Genomic mutations cause morphological changes that can be detected in histology slides, allowing pathologists to predict alterations before confirmation through tests. Recent studies have shown a strong connection between histology morphology and genomic variants identified through sequencing, opening up potential applications in clinical pathology and oncology. This research project aims to expand on these findings by developing methods for clinical use. Multi-modal machine learning techniques will be employed to combine information from histology images and genomic sequencing data, with a focus on deep representation learning for bridging the gap between histology and genomics data. The goal is to enable effective utilization of cross-modal correlations for precision diagnostics. The project involves experts from Sectra, specializing in application domains, and researchers from Linköping University, with expertise in image processing and deep learning. Our ambition is to drive advancements in multi-modal pathology-genomics-driven machine learning and thereby enhance AI-driven diagnostics.
Popular science description
Inom cancervården har precisionsmedicinen förbättrats tack vare ny teknologi. En av dessa är digitalisering av histologidata, som innebär att vävnadsprover omvandlas till digitala bilder. Denna utveckling har gjort det lättare för patologer att samarbeta och analysera histologiska bilder med hjälp av AI-baserad bildanalys. Ett annat viktigt framsteg är nästa generations genomsekvensering (NGS), som tittar på DNA från cancertumörer i detalj. NGS är på väg att bli ett standardförfarande i klinisk praxis, och det förväntas att alla cancertumörer kommer att genomgå DNA-sekvensering. Nyligen genomförda studier har funnit ett starkt samband mellan hur tumörer ser ut i histologiska bilder och de specifika genetiska förändringar som identifieras genom sekvensering. Genomiska mutationer orsakar morfologiska förändringar som kan detekteras i histologibilder, vilket möjliggör förutsägelser av förändringar innan de bekräftas genom tester. Detta öppnar möjligheter för nya praktiska tillämpningar inom klinisk patologi och onkologi. Detta forskningsprojekt syftar till att bygga vidare på dessa resultat genom att utveckla metoder som kan användas i verkliga kliniska miljöer. Vi kommer att använda AI-baserade och multimodala tekniker för att kombinera information från histologibilder och genomisk sekvenseringsdata. De senaste framstegen inom s.k. djupinlärning kommer att användas för att koppla samman histologi- och genomikinformation mer effektivt. Vårt mål är att använda relationerna mellan olika typer av data för att förbättra noggrannheten hos diagnostiska metoder. Projektet samlar experter från Sectra, som är specialiserade på praktiska tillämpningar, och forskare från Linköpings universitet, som har expertis inom bildbehandling och djupinlärning. Tillsammans strävar vi efter att driva framsteg inom AI-metoder som kombinerar patologi- och genomikdata, med målet att förbättra AI-driven diagnostik.