Bakgrunn:
Skjoldbruskkjertelen er en hormonproduserende kjertel som ligger foran på halsen, nedenfor strupehodet. Sykdommer i skjoldbruskkjertelen kan deles i to hovedgrupper: de som innebærer en endring i hormonproduksjonen og hormonsekresjonen (hypertyreose og hypotyreose), og de som påvirker kjertelens form og størrelse (struma, skjoldbruskkjertelkreft) [1].
Ved medisinsk ultralydundersøkelse (US) viser skjoldbruskkjertelkreft seg som uregelmessig vev, nemlig knuter. Det finnes imidlertid forskjellige typer knuter som ser like ut, men som har annerledes opphav enn ondartet kreft. Det er derfor avgjørende å klassifisere disse knutene riktig for å velge en riktig behandling. Når nodulenes utseende i US-bilder ikke er åpenbare eller klardefinerte, er det vanligvis nødvendig å ta en ultralydveiledet finnålsbiopsi med cytologisk evaluering (FNC) for å diagnostisere knuten.
En studie gjennomført av radiologer på UNN [2] konkluderer med at eksperter kan skille mellom benigne og ondartede knuter og mellom flere histopatologier i skjoldbruskknuter uten FCN, kun ved hjelp av US-bilder. Dette betyr at det finnes tilstrekkelig visuell informasjon i US-bilder, og at det derfor er et potensial for en reduksjon i antall invasive og tidkrevende FNC-biopsier og diagnostiske operasjoner.

Mål:
Hovedmålet med prosjektet er å forbedre kvaliteten og pasientsikkerheten til skjoldbruskkjerteldiagnostikk ved å utvikle et kunstig inteligens-basert verktøy for klinisk beslutningsstøtte. Dette innebærer å utvikle algoritmer som kan hjelpe oss å klassifisere knuter korrekt og estimere sannsynligheten for ondartet kreft. Et slikt beslutningsstøtteverktøy vil i fremtiden kunne hjelpe klinikere med å evaluere skjoldbruskknuter, og redusere behovet for FNC-biopsier og diagnostisk kirurgi.
Prosjektpartnere:
Prosjektet er et samarbeid mellom SPKI, UNN, Helse Nord IKT og Visual Intelligence (UiT). Prosjektet inkluderer ansettelsen av Maria Bolomiti, en kliniker i en 50% ph.d.-stilling over 6 år finansiert gjennom forskningsmidler fra Helse Nord, noe du kan lese mer om her. Maria vil bidra med sin ekspertise innen klinisk medisin og vil samarbeide tett med maskinlæringsmiljøet ved UNN for å sikre en helhetlig tilnærming til forskningen.
Datagrunnlag:
For å trene KI-algoritmer kreves store mengder representativ data. Prosjektet vil derfor, med dispensasjon fra Helsedirektoratet, etablere en database som inneholder alle ultralydscanninger av hals for pasienter undersøkt ved UNN mellom 01.01.16 og 31.12.22. Informasjon om alder, kjønn, radiologisk vurdering av undersøkelsen, potensiell histopatologisk diagnose og cytologisk evaluering vil også inkluderes i databasen. Datafilene som brukes til å trene algoritmene vil alltid ligge innenfor Helse Nord sin brannmur og vil ikke inneholde noen direkte identifiserbare opplysninger. Ingen data vil bli delt eller overført, kun metodikken og resultatene av dataanalysen vil publiseres i relevante fagfellevurderte tidsskrifter.