Introduktion
Projektet anvender storskala, heterogene datasæt fra klinisk praksis til at træne og teste biomedicinske Deep Learning modeller til beslutningsstøtte for radiologer i forbindelse med Multipel Sklerose (MS). Herunder specifikt segmentering af MS-læsioner på magnetisk resonansbilleddannelse (MRI). Formålet er klinisk implementering af denne model, hvilket forudsætter en tilfredsstillende ydeevne samt en robusthed overfor nye skannere.
Projektets baggrund
MS er en autoimmun sygdom i det centrale nervesystem, der forårsager langvarig funktionsnedsættelse. Sygdommen karakteriseres ved MRI-hyperintense læsioner i hvid og grå substans af det centrale nervesystem, der er vigtige biomarkører for sygdomsdiagnose, aktivitet og behandlingsrespons. Patienter med MS gennemgår derfor kontinuerlig MR-skanning igennem deres sygdomsforløb, hvilket resulterer i en stor manuel arbejdsbyrde for radiologer.
Selvom der findes modeller til automatisk læsionssegmentering, bliver kun få anvendt i klinikken i dag, da flere modeller har problemer med generalisering til kliniske datasæt.
Projektet imødekommer dette ved at inkludere store, heterogene træningsdatasæt direkte fra MS-klinikken til træning og validering af en MS-læsionssegmenteringsmodel. Dette resulterer i en model, der opnår en høj præcision samt en robusthed over for data fra ellers usete skannere.
Projektets potentiale
Projektet baner vejen for klinisk implementering af MS-læsionssegmentering, da modellen er rustet til at håndtere den variation, der findes i klinisk praksis. Dette vil potentielt nedsætte tiden brugt på gennemgang af rutine MS-MRI-skanninger for radiologer i klinikken samt muliggøre kvantificering af læsionsvolumen som biomarkør.