SFMR:s studentpris 2022

SFMR:s studentpris för bästa vetenskapliga studentarbete med anknytning till radiologi eller nukleärmedicin inom läkarprogrammet 2022 tilldelas David Rutowski.

Titel: En djuplärnings-baserad metod för att detektera och bedöma tumöregenskaper hos patienter med duktala adenokarcinom i pankreas

Bakgrund: Pankreascancer är en förödande sjukdom med en dyster prognos. Sjukdomen spås enligt epidemiologiska prognoser att bli den näst mest farliga cancerformen vid år 2030. Detta kan bl.a. tillskrivas den nuvarande bristen på tillgängliga biomarkörer, en stark ovilja att svara på nuvarande behandlingar och viktigast av allt, att man i en majoritet av fallen upptäcker sjukdomen i ett sent och avancerat stadium. I detta examensarbete utforskade vi möjligheterna med artificiell intelligens när det gäller analys av medicinska bilder och hur detta kan användas för att upptäcka samt segmentera pankreascancer på DT-bilder med intravenös kontrast i venös fas.

Syfte: Vi strävade efter att vidareutveckla en djupinlärningsmodell som kan upptäcka och segmentera både pankreascancer och normal bukspottkörtelvävnad.

Material och metoder: Vi vidareutvecklade en äldre hybridmodell som består av både konvolutionella lager och en transformatorkodare. Vi använde bilddata (n=600) från tre offentligt tillgängliga dataset (MSD, CPTAC-PDA och NIH Pancreas CT) för att träna och testa vår modell. Före träningen uteslöts alla patienter som hade blivit radiologiskt bedömda som icke-malignifierade cystor (IPMN/MCN) eller som misstänktes inneha tumörer av endokrint ursprung. Det slutliga antalet patienter (n=354) delades upp i träning, validering och testning som (165, 29, 160).

Resultat: Vår modell uppnådde en sensitivitet på 95 % och specificitet på 90 % för pankreascancer (95% CI 0.87-0.96, p=0.3865 & p=<2e-16 för Acc > NIR). Den uppvisade också ett genomsnittligt förgrundsbaserat dice score på 0.784 för normal bukspottkörtelvävnad samt 0.644 för pankreascancer.

Slutsats: Hybridbaserade AI-modeller uppvisar potential när det gäller detektion och volymetrisk bedömning av bukspottkörtelcancer.