Kunstig intelligens kan forudsige risikoen for brystkræft via ’zombieceller’

Brystkræft er en af de hyppigst forekommende kræftformer i verden. Alene i 2022 døde 670.000 kvinder over hele verden af sygdommen. Nu viser et nyt studie fra Københavns Universitet, at kunstig intelligens kan være med til at forbedre behandlingen af brystkræft ved at identificere uregelmæssige celler og give et mere præcist billede af den enkelte kvindes risiko for brystkræft.

Studiet, som er udgivet i det videnskabelige tidsskrift The Lancet Digital Health, viser, at den kunstige intelligens er langt bedre til at bestemme risikoen for brystkræft end eksisterende kliniske standarder.

Forskerne bag studiet analyserede brystvævsprøver ved hjælp af deep learning-teknologi udviklet på Københavns Universitet. De ledte efter tegn på ødelagte celler, en indikator for risikoen for at udvikle brystkræft.

”Algoritmen forbedrer vores evne til at finde de her celler betragteligt. Der bliver taget millioner af biopsier hvert år, og den her teknologi gør det nemmere for os at bestemme risici og behandle brystkræft,” siger lektor Morten Scheibye-Knudsen fra Institut for Cellulær og Molekylær Medicin og seniorforfatter til det nye studie.

Betragtelig forbedring i evnen til at bestemme risikoen for brystkræft

Når man skal vurdere risikoen for kræft, leder man især efter døende celler, som forårsages af såkaldt cellesenescens. Senescente celler er metabolisk aktive celler, som ikke længere deler sig. Forskning har tidligere vist, at dette stadie kan være med til at bremse kræftudvikling, men samtidig kan senescente celler også forårsage inflammation, som kan føre til tumordannelse.

Ved hjælp af deep learning-teknologi kan forskerne identificere senescente celler i vævsprøver og bestemme den enkelte kvindes risiko for at udvikle brystkræft bedre end Gail-modellen, den etablerede metode til vurdering af risikoen for brystkræft.

”Vi fandt også, at vi kan bestemme risikoen for brystkræft endnu mere nøjagtigt, hvis vi kombinerer to af vores egne modeller eller en af vores egne modeller med Gail-modellen. En modelkombination gav os en odds ratio på 4,7, hvilket er helt fantastisk. Det gør en stor forskel, hvis vi på basis af en prøve fra en rask donor kan sige, at vedkommende har næsten fem gange så stor risiko for at udvikle kræft i fremtiden,” siger Indra Heckenbach, som er førsteforfatter til det nye studie.

Algoritme trænet på ’zombieceller’ kan give bedre behandling

Forskerne har trænet algoritmen på celler dyrket i cellekultur, der var blevet gjort senescente ved at beskadige dem. Derefter brugte forskerne teknologien på donorbiopsierne for at søge efter senescente celler.

”Vi kalder dem nogle gange for zombieceller, fordi de har mistet en del af deres funktion, men de er samtidig ikke helt døde. De kan kædes sammen med udvikling af kræft, og derfor har vi trænet algoritmen i at identificere senescente celler. Algoritmen fokuserer på, hvordan cellekernen ser ud; kernen i senescente celler ser nemlig anderledes ud end i raske celler,” siger Indra Heckenbach.

Der kan gå flere år, før den nye teknologi udrulles i praksis, men når først den tages i brug, kan den til gengæld anvendes globalt. Det eneste, det kræver, er nemlig helt almindelige vævsprøver. Dermed kan kvinder verden over potentielt bruge denne nye viden til at få bedre behandling, påpeger Morten Scheibye-Knudsen:

”Vi kan bruge den her information til at stratificere patienter efter risiko og lave bedre screening og behandling. Lægerne kan holde særligt øje med kvinder i højrisikogruppen, de kan hyppigere få taget mammografier og biopsier, og vi kan potentielt identificere kræft på et tidligere stadie. Samtidig kan vi lette byrden for kvinder i lavrisikogruppen ved for eksempel at tage færre biopsier.”

Læs studiet “Deep learning assessment of senescence-associated nuclear morphologies in mammary tissue from healthy female donors to predict future risk of breast cancer: a retrospective cohort study”.