Metode for å oppdage brystkreft

I samarbeid med Kreftregisteret utvikler vi maskinlæringsmetoder for å forbedre og effektivisere det offentlige Mammografiprogrammet i Norge.

Brystkreft er den krefttypen som rammer flest kvinner i Norge og i verden. Selv om enkelte risikofaktorer for sykdommen er kjent for grupper av kvinner, er sykdommen vanskelig å forebygge for den enkelte. Tidlig deteksjon gjennom screening er derfor ansett som et effektivt verktøy for å redusere dødeligheten av sykdommen. I Norge inviteres derfor alle kvinner mellom 50 og 69 år hvert annet år til røntgenundersøkelse gjennom det norske mammografiprogrammet.

I det norske mammografiprogrammet utføres tydingen av bildene (mammogrammer) fra screeningundersøkelsene uavhengig av to røntgenleger som har spesialutdanning innen brystradiologi. I gjennomsnitt oppdages det kreft hos 0.6 % av de som kommer inn til screening. Dette betyr at røntgenlegene bruker mye tid på å tyde screeningbilder uten tegn til brystkreft.

Med nye framskritt innen maskinlæring er det potensiale for å effektivisere denne prosessen slik at røntgenlegene kan bruke mer tid på kvinnene som blir innkalt til tilleggsundersøkelse og de som har kliniske symptomer på brystkreft.

AI-basert analyse av mammogrammer

I samarbeid med Kreftregisteret jobber Norsk Regnesentral med å utvikle metoder og modeller for AI-basert analyse av mammogrammer tilpasset det norske Mammografiprogrammet. Gjennom MIM-prosjektet (2018-2022) samles det inn et større datasett fra mammografi-programmet og utvikles metoder basert på dyp læring som trenes opp fra disse bildedataene med tilhørende tolkning fra radiologene. Det arbeides også med å se på hvordan maskinlæringen bør kombineres med radiolog-tolkningen for å oppnå best mulig resultater.

Innen IKTpluss-prosjektet AIforScreening (2021-2025) ser vi videre på hvordan denne typen metoder kan gjøres robuste over tid, ettersom utstyr og opptaksbetingelser forandrer seg og hvordan tidsserier av undersøkelser kan bidra til mer robuste analyser. Samtidig vil vi også forske på andre problemstillinger knyttet til AI-baserte metoder for screening innenfor Visual Intelligence (2020-2028), et senter for forskningsdrevet innovasjon med fokus på AI og dyp læring for komplekse bildedata.