Mayon tekoäly näki haimasyövän 16 kuukautta liian aikaisin

Mayo Clinicin tutkimusryhmä on kehittänyt tekoälymallin, joka tunnisti haimasyövän vatsan tietokonetomografiakuvista keskimäärin 16 kuukautta ennen kuin potilas sai diagnoosin. Radiologit olivat tulkinneet samat kuvat aiemmin normaaleiksi. REDMOD-niminen malli (Radiomics-based Early Detection Model) löysi 73 prosenttia kasvaimista, kun radiologit löysivät 39 prosenttia. Tutkimus julkaistiin huhtikuussa Gut-lehdessä.

Tutkimusasetelma

Mallin koulutusaineisto koostui 219 vatsan TT-kuvasta, jotka oli otettu potilailta ennen heidän haimasyöpädiagnoosiaan, sekä 1 243 verrokkikuvasta terveiltä henkilöiltä. Validointivaiheessa REDMOD sai eteensä 63 esidiagnostista tapausta ja 430 verrokkikuvaa eri sairaaloista, eri kuvauslaitteilta ja eri protokollilla.

REDMOD ei etsi näkyvää kasvainta, vaan mittaa satoja kvantitatiivisia kuvapiirteitä, jotka kuvaavat kudoksen rakennetta ja tekstuuria. Lähtöoletus on, että haiman kudoksessa tapahtuu hienovaraisia muutoksia jo vuosia ennen kuin kasvain on radiologin silmälle erotettavissa. Mallin pääkehittäjä on Mayo Clinicin radiologian tutkija Ajit Harishkumar Goenka.

Tarkkuusero kasvaa, mitä aikaisempi kuva

Tekoälyn etumatka radiologeihin nähden kasvoi sitä enemmän, mitä kauempaa diagnoosista kuva oli otettu. Yli kahden vuoden vanhoissa kuvissa REDMOD löysi 68 prosenttia kasvaimista, radiologit 23 prosenttia – kolminkertainen ero. Mallin spesifisyys oli 88 prosenttia, eli se nimesi terveet kuvat oikein samalla kun se nosti esiin piileviä kasvaimia. Toistettavuus eri kuvauskerroilla oli 90–92 prosenttia.

Miksi haimasyöpä on vaikea löytää

Haimasyövän viiden vuoden eloonjäämisennuste on alle 13 prosenttia. Suomessa sairastuu vuosittain noin 1 200 ihmistä, ja valtaosa diagnooseista tehdään vaiheessa, jossa kirurginen poisto ei enää onnistu. Syy on tunnettu: oireet ilmaantuvat myöhään, ja haima sijaitsee vatsaontelon syvyydessä paikassa, johon nykyiset seulontamenetelmät eivät yllä.

Mayo-mallin merkitys ei ole radiologien korvaamisessa. REDMOD nostaa esiin signaaleja kuvista, jotka on jo otettu jostain muusta syystä – vatsakipujen tutkimisesta, munuaiskiviepäilystä, traumakuvauksesta. Tällaisia rinnakkaislöydöskuvia tehdään Suomessakin satojatuhansia vuodessa, ja niistä iso osa tallentuu Kanta-palveluiden Kuva-aineistojen arkistoon.

Suomi-kulma: voisiko Kanta-arkisto olla pohja?

Suomella on kaksi rakenteellista etua, joita harva muu maa pystyy tarjoamaan. Kanta-palveluiden Kuva-aineistojen arkisto on tallentanut röntgentutkimukset keskitetysti vuodesta 2018 alkaen, ja FinnGen-tutkimukseen on koottu 500 000 suomalaisen genomitiedot biopankkien kautta. Yhdistettynä nämä kaksi arkistoa muodostavat aineiston, jolla pystyttäisiin periaatteessa tunnistamaan korkean perinnöllisen riskin potilaat ja seulomaan heidän aiemmin otettuja TT-kuviaan REDMODin kaltaisella mallilla.

Toistaiseksi tämän mittakaavan kansallista validointia ei Suomessa ole julkisesti raportoitu. HUS Kuvantamisessa ja TYKS Kuvantamisessa on käynnistetty tekoälypilotteja muun muassa rintasyöpäseulonnassa, ja Taysissa valmistellaan vastaavaa tutkimusta, mutta haiman varhaistunnistus on Suomessa edelleen tutkimusvaiheessa. Lähetin kommenttipyynnön sekä HUS:n että TYKS:n radiologijohdolle ja päivitän jutun, kun vastaus saapuu.

Mitä seuraavaksi

Mayo Clinic on käynnistämässä prospektiivista tutkimusta nimeltä AI-PACED (Artificial Intelligence for Pancreatic Cancer Early Detection). Siinä testataan, parantaako REDMODin käyttö korkean riskin potilaiden seurannassa elossaoloennustetta verrattuna tavanomaiseen kliiniseen seurantaan. Vasta tämä asetelma kertoo, parantaako varhainen löydös potilaan ennustetta vai siirtääkö se vain diagnoosin ajankohtaa.

Validointiaineiston pieni koko – 63 esidiagnostista tapausta – on tutkimuksen avoin heikkous. Tutkijat itsekin muistuttavat artikkelissa, että prospektiivinen kliininen vahvistus on välttämätön ennen kuin mallia voi käyttää hoitopäätösten tukena. Käytännössä se tarkoittaa vuosia kestävää seurantatutkimusta, jossa malli ei vain analysoi vanhoja kuvia vaan vaikuttaa siihen, kenet kutsutaan jatkotutkimuksiin.