Denne artikkelen er produsert og finansiert av Høyskolen Kristiania - les mer.
En ny metode kan bidra til å oppdage kreft som er tidlig i utviklingen.
(Illustrasjonsfoto: Colourbox)
Kan kunstig intelligens revolusjonere arbeidet med å påvise kreft?
Forskere har nå funnet en ny metode der kunstig intelligens kartlegger hele kroppen samtidig.
I mange tiår har forskere forsøkt å løse
kreftgåten. Faktisk er kreft den sykdomsgruppen det er forsket mest på.
Men
kreft er en svært kompleks sykdom. Forskningen er preget av mange små
fremskritt, mange biter i et massivt puslespill framfor store, enkeltstående
gjennombrudd.
Nå mener noen forskere at kunstig intelligens kan endre måten vi arbeider med å oppdage kreft.
– Vi har funnet en metode som kartlegger hele kroppen samtidig. Dermed kan vi finne det en lege sannsynligvis ikke finner fordi kreften er tidlig i utviklingen. Det gjør at vi kan redde flere liv.
Det sier forsker Abdullah Lakhan ved Fakultet for økonomi, innovasjon og teknologi på Høyskolen Kristinia.
Kunstig intelligens + biokjemisk informasjon = en egen metode
Kunstig intelligens er særlig nyttig når
man skal analysere, sortere og finne mønstre i store mengder informasjon på en
effektiv måte.
Det å stille en kreftdiagnose handler som
oftest ikke om å «kjenne en kul». For å kunne oppdage kreft på et så tidlig
stadium som mulig, må legene for eksempel ta prøver, klassifisere funn, påvise tilfeller
og forutsi en utvikling.
Det krever tolking av store mengder ulik informasjon
som må ses i sammenheng.
Et team
av forskere har utviklet en modell for å oppdage kreft. De kaller modellen hybrid
fordi den kombinerer et spesielt sett av informasjon med en måte å tolke
denne informasjonen. Slik har de skapt det de mener er en helt ny metode.
Forskerne har brukt datamaskiners evne
til å lære – altså kunstig intelligens – i kombinasjon med det legene kaller multi-omiske data.
La oss se nærmere på disse begrepene.
Maskiner lærer å oppdage og forutsi kreft
Maskinlæring er en
spesialisering innen kunstig intelligens. Forskerne bruker her statistiske metoder for å
la datamaskiner finne mønstre i store mengder informasjon, eller data som man gjerne sier på forskerspråk.
Forsterket læring er én av flere typer
maskinlæring. Her benytter forskerne samme
metode som når man gir en hund en kjeks hver gang den gjør noe riktig, eller
noe hunden ikke liker hver gang den tar feil. Slik forsterker man den
ønskede oppførselen, uten at man spesifiserer hvordan oppgaven skal løses.
Datamaskiner kan lære etter samme
straff- og belønningssystem. Styrken til forsterket læring som metode, er at den
kan brukes i scenarioer hvor det er mange veier til målet, og det ikke er gitt
hvilken som er den beste eller riktige.
Og slik er det innen kreftprediksjon: Vi vet ikke alltid hvilken vei som er den riktige for å kunne forutsi utvikling
av kreft.
Omikk gir forståelse av biologi på atomnivå
Multi-omisk betyr en kombinasjon av
flere av de fagretningene innen biologi som ender på «-omikk». Det kan være genomikk,
som er det å studere alle gener i en person eller en organisme. Proteomikk
er studiet av alle proteiner i en celle, et vev eller en organisme. Metabolomikk
er læren om og analysen av alle små, molekylære stoffer inne i cellene – en
analyse som kan gi oss et detaljert biokjemisk øyeblikksbilde.
Til sammen kan -omikkene gi en
omfattende forståelse av biologien vår på atomnivå. Ved å identifisere unormale
partikler innen immunsystemet, kan omikken bidra til personlig tilpasset og
målrettet medisinsk behandling.
Det en stor fordel å kunne analysere hele kroppen ettersom kreft kan starte mange steder i
kroppen, og det finnes flere ulike former for kreft.
– Det hender at en pasient får behandling
for én type kreft – den kreften legene har oppdaget – men ikke for en annen
kreft som ligger og murrer et annet sted i kroppen. Rett og slett fordi legene ikke
har oppdaget den ennå, sier Lakhan.
– Ved å kombinere flere typer prøver og
kjøre dem gjennom vår metode får vi analysert hele kroppen på mikronivå.
Datamaskinene hjelper oss å oppdage andre typer kreft på flere steder i kroppen
på et tidlig stadium.
Ulike krefttyper ble analysert
Da forskerne lærte datamaskiner å
analysere store mengder multi-omisk informasjon, oppdaget de at metoden var
veldig effektiv sammenlignet med andre metoder.
Studien tok for seg ulike krefttyper og
ulike typer prøver.
Kreft i epitelvevet – det vil si et vev
som dekker overflater i og utenpå kroppen – utgjør over 90 prosent av alle
krefttilfeller i mennesker. Det er fordi dette vevet ofte er i kontakt med
kreftfremkallende stoffer.
Vi har epitelvev blant annet i luftveiene, i huden
og i fordøyelseskanalen. Alt fra lufta rundt oss til maten vi spiser eller
hudkremen vi bruker, kan med andre ord påvirke dette vevet.
Videre analyserte forskerne blodkreft,
lymfekreft og sarkomer. Sistnevnte er en samlebetegnelse for kreft i beinvev, fettvev,
bindevev og glatt muskulatur, som livmoren.
Informasjonen var samlet inn gjennom vevsprøver, koloskopi (innvendig undersøkelse av tykktarmen) og mammografi (røntgenundersøkelse av brystene). Bilder, tall og tekst fra flere klinikker og
laboratorier ble analysert.
Metoden er mer nøyaktig og effektiv enn andre metoder
Forskerne laget algoritmer etter et
prinsipp hvor de følger mønsteret tilstand-handling-belønning-tilstand-handling.
Prinsippet beskriver læringsmetoden der
maskinen lærer av sine feil og blir belønnet når den gjør riktig.
Datamaskiner fikk i oppgave å nøye
analysere, klassifisere og behandle multi-omiske datasett.
Resultatene viser at
den nye modellen er mer effektiv og nøyaktig enn eksisterende
maskinlæringsmetoder for å oppdage eller forutsi utviklingen av kreft.
– Det nye ved denne metoden er at vi
benytter informasjon fra krefttyper med ulike egenskaper og et bredt spekter av
biokjemisk informasjon i kombinasjon med en annen type maskinlæring enn det som
er brukt tidligere, forklarer Abdullah Lakhan.
Referanse:
Mazin Abed Mohammed, Abdullah Lakhan mfl.: A hybrid cancer prediction based on multi-omics data and
reinforcement learning state action reward state action (SARSA). Computers in
Biology and Medicine, 2023. Doi: 10.1016/j.compbiomed.2023.106617
