Idag nÀrmar sig datorsystemen nivÄn hos mÀnniskor för vissa vÀldefinierade uppgifter i patologi. Ett exempel Àr rÀkningen av mitoser för gradering av bröstcancer och detektering av lymfkörtelmetastaser för att avgöra tumörstadium.
Min forskning fokuserar pÄ utveckling av sÄdana 'deep learning'-algoritmer.
Syftet Àr tvÄfaldigt:
- Att stödja patologernas arbete genom att öka effektiviteten och minska risken för pÄverkan av observatörens egna förutfattade meningar (observer bias).
- Att identifiera potentiella nya (prognostiska och prediktiva) biomarkörer för att ta fram en individuell behandling.
För att kunna nÄ dessa mÄl finns det fortfarande ett antal utmaningar kvar att lösa. En viktig förutsÀttning för utveckling av 'deep learning'-algoritmer Àr tillgÀngligheten av data (bÄde av hög kvalitet och i stor mÀngd). En stor del av forskningen Àr dÀrför inriktad pÄ att etablera samarbeten, förvÀrva kliniska data sÄvÀl som mÀnskliga vÀvnadsprover och arbeta med expertpatologer runt om i vÀrlden.
DÀrefter krÀvs forskning om olika 'deep learning'-strategier för att utveckla de mest optimala modellerna.
Slutligen mÄste utvecklade modeller valideras i rutinmÀssig klinisk praxis för att bevisa sÀkerhet och anvÀndbarhet.
Min forskning syftar till att fokusera pÄ alla dessa olika aspekter, med det slutliga mÄlet att förbÀttra cancerdiagnostik och prognoser.