Representationsinlärning för multimodal molekylärpatologi
- Diarienummer
- ID23-0064
- Projektledare
- Eilertsen, Gabriel
- Start- och slutdatum
- 240101-281231
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- Linköping University
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
Precisionsmedicin har avancerat inom cancervården genom digitalisering av histologi och införandet av nästa generations genomsekvensering (NGS). Utvecklingen har underlättat samarbete mellan patologer och möjliggjort djupinlärningsbaserad bildanalys. NGS är på väg att bli standard i kliniska rutiner, där det förväntas att alla cancertumörer kommer att genomgå DNA-sekvensering. Genomiska mutationer orsakar morfologiska förändringar som kan detekteras i histologibilder, vilket möjliggör förutsägelser av förändringar innan de bekräftas i tester. Nya studier har visat starka samband mellan histologisk morfologi och genomiska varianter identifierade genom sekvensering, vilket öppnar upp för tillämpningar inom klinisk patologi och onkologi. Detta forskningsprojekt syftar till att utöka dessa fynd och utveckla metoder för klinisk användning. Multimodala maskininlärningstekniker kommer att användas för att kombinera information från histologiska bilder och genomisk sekvensdata, med fokus på deep learning-baserad representationsinlärning för att överbrygga gapet mellan histologi- och genomikdata. Målet är effektiv användning av tvärmodala korrelationer för precisionsdiagnostik. I projektet ingår experter från Sectra, specialiserade inom applikationsdomänerna, och forskare från Linköpings universitet med expertis inom bildbehandling och deep learning. Vår ambition är att driva framsteg inom multimodal patologi-genomikdriven maskininlärning och därmed förbättra AI-driven diagnostik.
Populärvetenskaplig beskrivning
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.