Transparanta AI metoder för analys av prognostiska och etiologiska faktorer vid barncancer

Transparanta AI metoder för analys av prognostiska och etiologiska faktorer vid barncancer

Syftet med studien är att i ett samarbete mellan forskare på Karolinska Institutet och Chalmers utveckla verktyg baserade en helt ny maskininlärningsmetod med en algoritm som utvecklats av medsökande Claes Strannegård. Maskininlärning handlar om metoder för att få datorer att "lära" sig utifrån data utan att datorerna har programmerats för just den uppgiften. Traditionella maskininlärningsalgoritmer kan jämföras med "svarta lådor" som ger ut svar utan att ge några förklaringar. Detta har tidigare gjort det varit svårt att använda maskininlärning inom medicin eftersom vi måste förstå vad vi gör när vi behandlar sjuka människor. Det som skiljer algoritmen som vi vill utveckla i vår registerstudie är att den ger förklarbarhet. Detta är ett betydande steg framåt inom maskininlärning och potentiellt inom cancerdiagnostik. Vi kommer att utveckla metoden för att låta datorn analysera registerdata från genetiska laboratorier, svenska barncancerregistren och register på Socialstyren och Statistiska centralbyrån (SCB). Vi vill analysera 350 olika variabler i ett redan samlat dataset med 11 400 barncancerpatienter och 390 000 patienter med olika genetiskt orsakade sällsynta diagnoser samt 2,5 miljoner kontroller. Vi vill med datorns hjälp få svar på följande frågor: Är förekomsten av barncancer högre vid specifika genetiska syndrom? Är cancer vanligare i familjer med ett barn med cancer och hur stor är risken för släktingar? Är genetiska avvikelser som upptäcks i cancerceller vid diagnos, korrelerade till prognos, behandlingsresultatinfektionssjukdomar, årstider och geografiska platser? Påverkar mödrars sjukdomar, infektioner, rökning, droganvändning etc. risken för barncancer? Om vår metod är bättre än nuvarande epidemiologiska metoder kommer vi att identifiera tidigare förbisedda sjukdomsmarkörer och därigenom gruppera patienter och förbättra diagnostik, behandling, risk för toxicitetsreaktioner och genom prevention minska risken för släktingar att insjukna i cancer.