Bruk av kunstig intelligens i behandling av hjernesvulster

Glioblastom (GBM) er den mest aggressive primære maligne hjernesvulsten hos voksne, og kjennetegnes av at tilbakefall er unngåelig til tross for omfattende førstelinjebehandling.  Denne avhandlingen undersøker hvordan glioblastom kan defineres nøyaktig på radiologiske bilder, samt undersøker hvilke biomarkører som kjennetegner og skiller de pasientene som lever lenge fra dem som ikke gjør det. Slik forsøker vi å systematisk undersøke hvilke biologiske faktorer som ligger til grunn for at pasienter med denne kreftformen responderer ulikt på behandling.

Vi har gjennomført dette ved å bruke kunstig intelligens (KI) i ulike formater. Vi har brukt dyplæring for å segmentere svulstens ulike deler over gjentatte tidspunkt gjennom sykdomsforløpet. Disse segmentene har vi videre sammenstilt med kliniske variabler og genetiske data, hvorpå vi har brukt maskinlæring for å finne mønstre i det samlede datamaterialet.

Den sentrale hypotesen er at tumorens radiologiske uttrykk avhenger av iboende biologiske begrensninger som påvirker behandlingssensitivitet, og som er drevet av underliggende genetiske forutsetninger.

Funnene viste at dyplæringsmodellen avgrenset tumorvolumene med høyere nøyaktighet enn variasjonen mellom to uavhengige eksperter. Videre viste det seg at forholdet mellom den kontrastladende delen av tumor (CE) og den ikke-kontrastladende delen (NE) hadde prognostisk verdi, både for hvor nært opprinnelsesstedet tumoren kom tilbake, og for hvor lang tid det tok. Jo lavere CE/NE ratio, jo mer distalt kom residivene, spesielt for MGMT metylerte og yngre. Vi fant også en tydelig sammenheng mellom lav CE/NE volum ratio og kumulativ byrde av mutasjoner i genene som regulerer celledød, cellesyklus og NF-κB signal. Vi identifiserte videre HSPBP1-mutasjon som genetisk indikatorer for respons på proteasomhemmer-basert behandling.

Sammenstillingen av disse bildebaserte og genetiske biomarkørene gir et konseptuelt grunnlag for fremtidig persontilpasset behandling.

Personalia

Marianne Hjellvik Hannisdal har en bachelor I radiografi med videreutdanning i blant annet digital medisinsk bildebehandling, og en mastergrad I helsevitenskap fra Universitetet i Bergen. Doktorgradsprosjektet startet i 2023, og ble gjennomført i Brain Tumour and Immunology Group ved Insitutt for Biomedisin. Hovedveileder har vært Professor Martha Enger (Dr. Philos, UiB), med Professor Emeritus Arvid Lundervold (Ph.D, UiB) som biveilder.