TEKOÄLYN HYÖDYNTÄMINEN PATOLOGIAN DIAGNOSTIIKASSA – SUKELLUS DIGIPATOLOGIAAN

TEKSTI Jenni Säilä

Artikkeli pohjaa YAMK-opinnäytetyöhöni, ”Tekoälyn hyödyntäminen patologian diagnostiikassa - Ki-67-värjättyjen keuhkokarsinoidinäytteiden analysointitulosten vertailu” (2020), jossa tutkittiin tekoälyn hyödyntämisen mahdollisuutta patologian diagnostiikassa. Opinnäytetyössä tarkoituksena oli selvittää tekoälypohjaisen kuva-analyysiohjelman Aiforian suoriutumista Ki-67 -värjättyjen keuhkokarsinoidinäytteiden analysoinnissa verrattuna patologin antamaan lausuntoon ja kahteen perinteiseen kuva-analyysiohjelmaan. Keskeisessä osassa oli tekoälyn opettaminen.

Digipatologia vastaa tarpeeseen

Digipatologia on ajankohtainen aihe, koska kliinisessä patologiassa ei vielä ole käytössä vakiintuneita digitaalisia analyysimenetelmiä. Nykypäivänä patologian näytteistä on saatavissa hyvin paljon erilaista informaatiota potilaan sairaudesta, hoitomahdollisuuksista ja ennusteesta. Näytteiden analysointi vain mikroskoopin avulla tai manuaalisesti tietokonenäytöltä on hyvin työlästä ja aikaa vievää.

Virtuaalimikroskopia on yksi digipatologian osaalue. Virtuaalimikroskopian avulla näytteitä voi tarkastella tietokoneruudulta tai muulta näytöltä ja näytteiden jakaminen on nopeaa ja helppoa. Etenkin opetustarkoituksissa ja esimerkiksi internetpalavereissa siitä on paljon hyötyä. Haasteena digipatologian yleistymiselle ovat alkuinvestointien kalleus ja suuren tietomäärän hallinta. (Tolonen-Näpänkangas-Isola 2015). Virtuaalimikroskopian ohella voidaan käyttää erilaisia automaattisia kuva-analyysiohjelmia, jotka hyödyntävät esimerkiksi värieroja kudosten ja solujen rakenteiden tunnistamisessa ja laskevat tai mittaavat niiden avulla näytteestä haluttuja ominaisuuksia. Kun taas tekoälyä hyödyntävät ohjelmat oppivat esimerkkien avulla tunnistamaan kudosten rakenteita ja ominaisuuksia ja ovat siten vielä tarkempia ja monipuolisempia analyysityökaluja. Syväoppiva tekoäly on jatkuvasti kehittyvä ympäristö ja sen oppimiskyky on lähes rajaton (Aiforia 2019). Se hyödyntää koneoppimista syvien neuroverkkojen avulla. Koneoppimisessa voidaan käyttää ohjattua, ohjaamatonta ja vahvistavaa oppimista. (VTT 2018).

Digipatologian ja patologin yhteistyöllä voidaan saada merkittäviä etuja näytteiden tulkinnan oikeellisuudessa ja systemaattisuudessa. Digitaalisten lasien tarkastelu helpottaa näytelasin kokonaisrakenteiden hahmottamista ja parantaa kokonaisuudessaan näyteprosessia. Digitaalisten lasien laatuvaatimukset voivat yhtenäistää ja parantaa näytteenvalmistusprosesseja ja tuoda tasalaatuisempia laseja käyttöön. Myös näytelasien säilytys on yksinkertaisempaa ja laatu pysyy parempana, kun digitoitujen lasien värjäytyvyys ei muutu tai haalistu. (Tolonen ym. 2015).

Digipatologian työtapojen implementoiminen rutiinidiagnostiikkaan on vielä monessa laboratoriossa työn alla. Varsinkin Euroopassa ja Pohjois-Amerikassa digipatologian käyttö valomikroskopian ohella lisääntyy jatkuvasti. Digipatologiaa hyödynnetään muun muassa etäyhteydellä tehtävissä konsultaatioissa ja opetuksessa. (Madabhushi - Lee 2016).

Kuva-analyysiohjelmien vertailu

YAMK-opinnäytetyössäni tarkoituksena oli selvittää tekoälypohjaisen kuva-analyysiohjelman Aiforian suoriu-

tumista Ki-67 -värjättyjen keuhkokarsinoidinäytteiden analysoinnissa verrattuna patologin antamaan lausuntoon ja kahteen kuva-analyysiohjelmaan, QuPathiin ja ImmunoRatioon. Tavoitteena oli luoda algoritmi, jota voitaisiin hyödyntää myös kliinisessä diagnostiikassa Ki-67-indeksin laskemiseen keuhkokarsinoidinäytteille ja jatkojalostaa myös muiden kudosten analysointiin.

Tutkimusmateriaali koostui viidestä Tissue Microarray (TMA) -lasista, joissa oli 127 keuhkokarsinoidikasvainta. TMA-lasit oli värjätty immunohistokemiallisesti (IHC) diaminobentsidiinileimatulla (DAB) Ki-67 vasta-aineella. Näytteet oli skannattu sähköiseen muotoon ja patologi oli analysoinut näytteet näyttöpäätteeltä. Tutkimuksessa opetettiin Aiforian Ki-67-algoritmi tunnistamaan keuhkokarsinoidinäytteistä DAB-leimatut Ki-67-positiiviset ja negatiiviset solut. Kuvassa 1 on esimerkki siitä, miltä tekoälyn opetus näyttää. Tutkimuksessa näytteet analysoitiin opetuksen jälkeen Aiforialla sekä verrokkiohjelmilla ImmunoRatiolla ja QuPathilla. Opinnäytetyön tulosten perusteella tekoälypohjaisella kuva-analyysiohjelmalla Aiforialla saadut tulokset korreloivat erittäin hyvin patologin tulosten kanssa (0,94). Taulukossa 1 on näkyvissä kaikki analyysitulosten korrelaatiot. Näiden tulosten perusteella tekoälypohjaisella kuva-analyysiohjelmalla saadaan hyvin vastaavia tuloksia patologin toteuttamaan manuaaliseen analyysimenetelmään verrattuna.

Epäonnistunut värjäys ja värjäysartefakta lasilla lisäävät automaattisen kuva-analyysin laskentavirheitä. Myös näytteiden huono kiinnittyminen lasille ja siitä johtuva kudoksen repaleisuus ja ruttuisuus aiheuttavat virheitä automaattiseen kuva-analyysiin. Eri kuva-analyysiohjelmien välinen ero tuli parhaiten esiin juuri huonolaatuisempien näytteiden kohdalla. Kuvassa 2 on esitetty esimerkkikuvissa kuinka eri automaattiset kuva-analyysiohjelmat tunnistavat solut, kun näyte ei ole täysin onnistunut.

Tulevaisuusnäkymiä

Tekniikka ja osaaminen kehittyvät koko ajan ja tekoälyn käytön etuna on sen joustavuus ja muokattavuus. Algoritmia voidaan tarpeen mukaan parantaa ja uudelleen opettaa erilaisten näytteiden analysointia varten. Hyvällä opetuksella algoritmista saadaan tehokas ja tasalaatuinen apuväline näytteiden työlääseen analysointiin.

Digitaalisten apuvälineiden käyttö lisääntyy ja niiden käyttöön harjaannutaan, ongelmakohtiin löydetään ratkaisuja ja tekninen varmuus paranee. Lähivuosina digipatologia tulee olemaan jo jonkinasteisesti rutiinikäytössä ja sen myötä parannetaan patologien työskentelyolosuhteita, yhdenmukaistetaan laboratorioiden työtapoja ja parannetaan potilaiden hoitoa.

Bioanalyytikon työhön patologian laboratoriossa digipatologia voi tuoda uusia työtehtäviä. Bioanalyytikoiden koulutukseen tulevaisuuden tekniikka tuo uusia vaatimuksia, kun yhä laajemmin tarvitaan erilaisten digitaalisten työvälineiden ymmärtämistä ja osaamista. Tietoteknisen osaamisen vaatimukset kasvavat, kun tekoälyavusteiset ohjelmistot tulevat rutiinikäyttöön. Bioanalyytikot voivat tarvita työssään koodaamisen ja koneoppimisen ymmärrystä, jos he osallistuvat tulevaisuudessa tekoälyn opettamiseen.

Opinnäytetyö on luettavissa täältä: https://www. theseus.fi/handle/10024/334112

Kuva 1. Näkymä tekoälyn opettamisesta. Vasemmanpuoleisessa kuvassa näkyy, mitä tekoälylle on opetettu ja oikealla mitä se on oppinut.

Pat

AI

QP

IR

Pearsonin korrelaatio p-arvo (2-suuntainen) N Pearsonin korrelaatio p-arvo (2-suuntainen) N Pearsonin korrelaatio p-arvo (2-suuntainen) N Pearsonin korrelaatio

p-arvo (2-suuntainen)

N

Pat

1

127 ,942** ,000 127 ,601** ,000 127 ,732**

,000 127

**Korrelaatio on merkitsevä arvolla 0,01 (2-suuntainen).

AI

,942** ,000 127 1

127 ,658** ,000 127 ,760**

,000 127

QP

,601** ,000 127 ,658** ,000 127 1

127 ,912**

,000 127

Taulukko 1. Tutkimuksen analyysitulokset. Kaikkien tehtyjen analyysien väliset korrelaatiot.

IR

,732** ,000 127 ,760** ,000 127 ,912** ,000 127 1

127

Kuva 2. Esimerkkikuvasarja eri ohjelmien soluntunnistuksesta, kun kudoksen kiinnittyminen on aiheuttanut artefaktaa. Samasta näytteestä kuva (1) QuPath ohjelmasta, (2) ImmunoRatiosta ja (3) Aiforiasta. QuPathissa positiiviset solut on merkitty punaisella, ImmunoRatiossa vihreällä ja Aiforiassa vihreällä/sinisellä. Tässä samassa näytteessä Ki-76-indeksit olivat QuPath 16.13 (kasvaimelle ka 8,4), ImmunoRatio 4.95 (kasvaimelle ka 3,1), Aiforia 1.11 (kasvaimelle ka 1,4). Patologin tulos kasvaimelle oli 1.

LÄHTEET

1. Aiforian internetsivu <https://www.aiforia.com> luettu 12.2.2019 2. Madabhushi A, Lee G. Image analysis and machine learning in digital pathology: Challenges and opportunities. Medical Image Analysis 2016 33:170–175. Verkkojulkaisu <https://www.ncbi.nlm.nih. gov/pmc/articles/PMC5556681/> Luettu 1.10.2019 3. Tolonen T et al.. Kliininen patologia virtuaalimikroskopian kynnyksellä. Lääketieteellinen aikakauskirja Duodecim 2015 131(21):1981-7 Verkkojulkaisu <https://www.terveysportti.fi/xmedia/duo/ duo12517.pdf> Luettu 17.3.2019 4. VTT:n julkaisu. Tekoälyn käsitekartta VN-TEAS projekti Tekoälyn kokonaisjäsennys ja kansallinen osaamiskartoitus Yhteyshenkilö: Heikki Ailisto, tutkimusprofessori Teknologiantutkimuskeskus VTT Oy 14/06/2018. Verkkojulkaisu <https:// docplayer.fi/105146796-Tekoalyn-kasitekartta. html> Luettu 3.9.2019

Jenni Säilä, Kliininen asiantuntija (YAMK), Huslab