Itä-Suomen yliopiston, Turun yliopiston ja Tampereen yliopiston tutkijat kehittivät osana pohjoismaista ABCAP-konsortiota tekoälypohjaisen menetelmän histopatologisten kudosleikkeiden värjäykseen virtuaalisesti. Kemiallinen värjäys on jo yli vuosisadan ajan ollut kudospatologian tutkimuksen kulmakivi, jota käytetään muun muassa syövän diagnostiikassa.
– Kemiallinen värjäys tehdään, jotta melkein läpinäkyvistä kudosleikkeistä saadaan niiden rakenne paremmin näkyviin. Ilman sitä on kudoksen morfologiaa lähes mahdotonta tulkita silmämääräisesti. Värjäys taas on peruuttamaton prosessi, joka useimmiten estää saman kudosleikkeen käytön useampiin testeihin, sanoo tutkimuksen kokeellisesta osuudesta vastannut Itä-Suomen yliopiston yliopistotutkija, biolääketieteen yksikön varajohtaja Leena Latonen.
Tutkimuksessa kehitetty tekoälymenetelmä tuottaa kemiallista värjäystä matkivan kuvan värjäämättömän kudosleikkeen pohjalta laskennallisesti, jolloin tätä virtuaalisesti värjättyä kuvaa voidaan käyttää kudoksen morfologian tulkintaan. Tämä sekä vähentää kemikaalien ja käsityön tarvetta itse värjäysprosessissa että mahdollistaa saman kudosleikkeen käytön useampaan tarkoitukseen.
Virtuaalivärjäysmenetelmän vahvuus on, että se ei edellytä erityisiä laitteistoja, mikäli tavallinen kuvantava valomikroskooppi ja laskentaan soveltuva tietokone on käytettävissä.
– Tulokset ovat erittäin laajasti hyödynnettävissä. Tutkittavaa riittää edelleen ja laskennallisia menetelmiä voidaan yhä parantaa, mutta jo nyt näemme menetelmällemme useita käyttökohteita histologian eri osa-alueilla, sanoo tutkimuksen laskennallista puolta johtanut Turun yliopiston apulaisprofessori Pekka Ruusuvuori.
Kansainvälisellä konsortiorahoituksella kohti rajoja rikkovaa tutkimusta
Tutkimuksen mahdollisti osaltaan hankkeelle myönnetty ERAPerMed-konsortiorahoitus. ABCAP-konsortio on pohjoismainen rintasyövän tekoälypohjaiseen diagnostiikkaan keskittyvä tutkijayhteisö, jota rahoittavat ERAPerMed, Nordic Cancer Union ja Suomen Akatemia. Niin Latonen kuin Ruusuvuori johtavat omaa osahankettaan.
– Tutkimus on aidosti poikkitieteellistä. Ilman yhteistä rahoitusta olisi erittäin haastavaa mahdollistaa tällaisen tutkimuksen sekä kokeelliselle että laskennalliselle puolelle vaadittavat resurssit, Ruusuvuori ja Latonen toteavat.
Poikkitieteellisen tutkimuksen pohjana on kattava osaaminen sekä kudosbiologiasta, histologisista prosesseista että biokuvantamisen informatiikasta ja tekoälystä. Kaksivaiheisen tutkimuksen ensimmäisessä osassa optimoitiin kudosnäytteen käsittelyyn ja kuvantamiseen liittyvät työvaiheet, mistä vastasi Itä-Suomen yliopiston väitöskirjatutkija Sonja Koivukoski. Työssä ainutlaatuista oli tulosten perusteellinen testaus histologisesti.
– Laskennallisten ja tekoälysovellusten kehityksessä usein unohtuu laadullinen tarkastelu loppukäyttäjän näkökulmasta. Tämä johtaa usein siihen, että laskennallisia ratkaisuja kyllä tuotetaan ja julkaistaan tieteellisessä kirjallisuudessa, mutta ne eivät päädy käyttäjille asti heikon soveltuvuutensa johdosta. Siksi sekä laskennallisen että tutkittavan tieteenalan osaamisen yhteen tuominen on erityisen tärkeää, tuumivat Latonen ja Koivukoski.
Laskennallisilla menetelmillä valtava potentiaali
Datasta oppiviin syviin neuroverkkoihin pohjautuvat tekoälymenetelmät ovat muuttaneet biolääketieteellisen kuvankäsittelyn kenttää vauhdilla. Perinteisempien, kuvien tulkintaan liittyvien ja erilaisten mittauskysymysten lisäksi ne soveltuvat erittäin hyvin myös kuvien muuntamiseen. Tästä esimerkkinä on värjäämättömän kudoksen laskennallinen virtuaalivärjäys, kuten nyt julkaistuissa osatutkimuksissa osoitettiin.
Tutkimuksen toisessa osassa optimoitiin generatiivisiin neuroverkkoihin perustuva virtuaalivärjäysmenetelmä, jonka kehittämisestä vastasi Turun yliopiston väitöskirjatutkija Umair Khan.
– Syvät neuroverkot kykenevät suorituksiin, joiden kaltaisia ei hetki sitten osattu kuvitellakaan. Tekoälyyn perustuva laskennallinen värjäys tehostaa näytteen käsittelyprosessia, toteaa Khan.
Laskennallisten menetelmien lisäksi työn onnistumisessa oleellinen tekijä oli neuroverkkojen opettamiseen käytetty suurteholaskenta, jossa hyödynnettiin Tieteen tietotekniikan keskuksen CSC:n laskentapalvelimia.
– Olemme Suomessa erittäin hyvässä asemassa rinnakkaistetun laskennan suhteen. CSC:n kautta käytettävissämme oleva laskentakapasiteetti mahdollistaa tämänkaltaisten tutkimusten tekemisen, sanoo Ruusuvuori.
Tutkimuksen tulokset julkaistiin kansainvälisissä vertaisarvioiduissa Laboratory Investigation- ja Patterns-julkaisusarjoissa.
Lisätietoja:
Leena Latonen, Itä-Suomen yliopisto, biolääketieteen laitos, +358 50 3465553, leena.latonen@uef.fi
Pekka Ruusuvuori, Turun yliopisto, biolääketieteen laitos, +358 50 472 1830, pekka.ruusuvuori@utu.fi
