Djup inlärning för planering av strålterapi
- Diarienummer
- SM25-0022
- Projektledare
- Eklund, Anders
- Start- och slutdatum
- 260101-271231
- Beviljat belopp
- 1 313 000 kr
- Förvaltande organisation
- Linköping University
- Forskningsområde
- Bioteknik, medicinsk teknik och teknik för livsvetenskaperna
Summary
Var tredje svensk får cancer någon gång i livet, och ca hälften av dessa patienter behandlas med strålterapi. Planering av strålterapi tar ganska mycket tid, eftersom man måste samla in medicinska bilder, manuellt rita ut (segmentera) tumör och riskorgan, samt ta fram en optimal behandlingsplan som strålar bort tumören men inte skadar viktiga riskorgan. Pandemin har gjort effektiv sjukvård ännu mer viktigt, eftersom en vårdskuld behöver betas av. AI-modeller kan tränas att automatiskt göra alla segmenteringar på några få minuter, och även automatiskt ta fram en behandlingsplan från dessa segmenteringar. AI-modeller kan därmed spara mycket tid i sjukvården, flera timmar per patient, men ett generellt problem är att dessa AI-modeller kräver stora tränings-dataset för att prestera bra för så många patienter som möjligt. Kliniska riktlinjer för strålterapi skiljer sig mellan sjukhus och länder, och det är därför inte möjligt att direkt kombinera olika dataset. Vi kommer därför att utveckla nya metoder så att olika dataset enklare kan kombineras. Projektet kommer att leda till att segmentering kan utföras med MR-bilder istället för CT-bilder, vilket är bra för patienterna eftersom MR inte kräver någon strålning. Projektet kommer även att leda till att det blir lättare att direkt kombinera dataset från olika sjukhus, istället för att lägga mycket tid på att göra om mycket av det manuella arbetet (rita ut tumörer och riskorgan) för alla patienter.
Populärvetenskaplig beskrivning
Var tredje svensk får cancer någon gång i livet, och ca hälften av dessa patienter behandlas med strålterapi. Strålterapi är en viktig och kostnadseffektiv behandlingsform där Sverige har framgångsrika företag (bland annat RaySearch och Elekta). Planering av strålterapi tar dock ganska mycket tid, eftersom man måste samla in medicinska bilder, manuellt rita ut (segmentera) tumör och riskorgan, samt ta fram en optimal behandlingsplan som strålar bort tumören men inte skadar viktiga riskorgan. Pandemin har gjort effektiv sjukvård ännu mer viktigt, eftersom en vårdskuld behöver betas av utan att anställa ny personal. Eftersom livslängden ständigt ökar kommer även fler och fler patienter att behöva vård för cancer. AI-modeller kan tränas att automatiskt rita ut tumör och riskorgan på några få minuter, och även automatiskt ta fram en behandlingsplan från dessa segmenteringar. AI-modeller kan därmed spara mycket tid i sjukvården, flera timmar per patient, men ett generellt problem är att dessa AI-modeller kräver stora tränings-dataset för att prestera bra för så många patienter som möjligt. Kvalitén på strålterapi-behandling skiljer sig en del runtom i Sverige, och är speciellt lägre i utvecklingsländer som inte har så stor andel erfarna läkare. AI-modeller kan göra behandlingen med jämlik, eftersom en AI-modell ska leverera bra resultat för alla patienter. Kliniska riktlinjer för strålterapi skiljer sig dock mellan sjukhus och länder, och det är därför inte möjligt att direkt kombinera olika dataset för att träna AI-modeller. Vi kommer därför att utveckla nya metoder så att olika dataset enklare kan kombineras. Projektet kommer att leda till att automatisk utritning av tumör och riskorgan kan utföras med MR-bilder istället för CT-bilder, vilket är bra för patienterna eftersom MR inte kräver någon strålning. Projektet kommer även att leda till att det blir lättare att direkt kombinera dataset från olika sjukhus, istället för att lägga mycket tid på att göra om mycket av det manuella arbetet (rita ut tumörer och riskorgan) för alla patienter. Detta kommer i sin tur leda till att AI-modellerna presterar bra för ett större antal patienter.