Myelodysplastinen oireyhtymä (MDS) on luuytimen kantasolujen sairaus, jossa verisolujen kasvu ja erilaistuminen luuytimessä häiriintyy. Vuosittain noin 200 suomalaisella todetaan MDS. Kansainvälisesti oireyhtymän ilmaantuvuus on neljä tapausta 100 000 henkilövuotta kohti. Oireyhtymä voi johtaa akuuttiin leukemiaan.
MDS-taudin diagnosoimiseksi tarvitaan luuydinnäyte, josta tutkitaan myös luuytimen solujen perimän muutokset. Oireyhtymä on jaettu alaryhmiin taudin luonteen tarkemmaksi määrittelemiseksi.
Helsingin yliopistossa tutkittiin MDS-tautia sairastavien potilaiden luuydinnäytteistä muodostettuja mikroskooppikuvia koneoppimiseen perustuvan kuva-analyysin avulla. MDS-potilaiden luuydinnäytteitä värjättiin hematoksyliini- ja eosiini-värjäyksellä (H&E-värjäys), joka on osa taudin rutiinidiagnostiikkaa. Värjäykset digitoitiin, ja ne analysoitiin laskentapohjaisia syväoppimismalleja käyttäen.
Tutkimus on julkaistu Blood Cancer Discovery -julkaisussa ja tuloksia voi arvioida myös interaktiivisella työkalulla.
Digitaalisesta kuva-aineistosta pystyttiin koneoppimisen avulla tunnistamaan tarkasti tavallisimmat oireyhtymän kulkuun vaikuttavat verisolujen perimän muutokset kuten hankinnaiset mutaatiot ja kromosomimuutokset. Ennustemallit antoivat tutkimuksessa sitä luotettavamman tuloksen, mitä enemmän poikkeavia soluja näytteissä oli.
Data-analyysistä apua taudinmääritykseen
Neuroverkkomallien hyödyntämisen suurimpia haasteita on ymmärtää, millä perusteella ne tekevät johtopäätöksiä datasta, esimerkiksi kuvien sisältämästä tiedosta. Nyt julkaistussa tutkimuksessa onnistuttiin selvittämään, mitä syväoppimismallit näkevät kudosnäytteistä, kun ne on opetettu etsimään esimerkiksi MDS-oireyhtymään liittyviä verisolujen perimän muutoksia. Menetelmän avulla saadaan uutta tietoa monimutkaisten tautien vaikutuksista luuytimen solukkoon ja ympäröivään kudokseen.
– Tutkimus vahvistaa, että laskennallinen analyysi auttaa tunnistamaan luuydinnäytteistä piirteitä, jotka ovat ihmissilmälle vaikeasti tunnistettavia. Data-analyysin avulla saadaan lisäksi kerättyä kvantitatiivista tietoa solumuutoksista ja niiden merkityksestä potilaan ennusteeseen, kertoo professori Satu Mustjoki.
Osa tutkimuksen analytiikasta on toteutettu HUS tietoallas -ympäristössä, joka mahdollistaa laajojen kliinisten aineistojen tehokkaan keruun ja analysoinnin.
– Olemme kehittäneet ratkaisuja HUS tietoaltaan datan rakenteistamiseksi ja analysoimiseksi. Kuva-analyysillä voimme analysoida suuria määriä koepaloja ja tuottaa monipuolisesti ja nopeasti tietoa taudinkulusta. Projektissa kehitetyt menetelmät ovat käyttökelpoisia myös muissa hankkeissa ja erinomaisia esimerkkejä digitaalisoituvasta lääketieteestä, kertoo tohtorikoulutettava Oscar Brück.
Tutkimusta rahoittivat Syöpäsäätiö, Sigrid Juseliuksen säätiö ja valtion tutkimusrahoitus yliopistotasoiseen terveyden tutkimukseen (VTR). Tutkimus on osa Suomen Akatemian rahoittamaa iCAN Digital Precision Cancer Medicine -lippulaivahankketta.
Lisätietoja
Oscar Brück, tohtorikoulutettava, Helsingin yliopisto
tutkijalääkäri, HUS Hematologia
kehittämispäällikkö, HUS Tietohallinto
oscar.bruck@helsinki.fi
Satu Mustjoki, professori, Helsingin yliopisto
johtaja, Translational Immunology Research Program
osastonylilääkäri, HUS syöpäkeskus
p. 040 552 1606
satu.mustjoki@helsinki.fi
Lähde: Machine Learning of Bone Marrow Histopathology Identifies Genetic and Clinical Determinants in MDS Patients. Oscar Brück, Susanna Lallukka-Brück, Helena Hohtari, Aleksandr Ianevski, Freja Ebeling, Panu E. Kovanen, Soili Kytölä, Tero Aittokallio, Pedro Marques Ramos, Kimmo Porkka and Satu Mustjoki.
Blood Cancer Discov March 15 2021. DOI:10.1158/2643-3230.BCD-20-0162
Lue lisää alan tutkimuksesta Translational Immunology Research -ohjelman sivuilta.
Tutustu myös iCAN Digital Precision Cancer Medicine -lippulaivahankkeeseen.