News • Mikroskopie

Deep learning verbessert Krebsdiagnose deutlich

Forschende haben die bisherige Methode der Mitosezählung mithilfe Künstlicher Intelligenz verbessert und damit die Zuverlässigkeit deutlich erhöht.

Photo
Die Heatmap gibt die Dichte der Mitosefiguren, welche durch den Algorithmus gefunden wurden, in den verschiedenen Tumorregionen wieder. Hellere Areale stellen dabei eine höhere mitotische Aktivität dar. Für die Untersuchung des Tumor soll der/die Pathologen:in die Region mit der höchsten mitotischen Aktivität finden und diese Aufgabe kann durch die algorithmische Unterstützung verbessert werden.
Quelle: Institut für Pathologie/Vetmeduni

Die Mitosezählung ist ein wichtiges Tool für die mikroskopische Einschätzung, ob ein Tumor sich im Patienten ausbreiten wird. Trotz ihres Nutzens hat diese Untersuchungsmethode bisher einen deutlichen Nachteil: Abhängig von der untersuchenden Person unterscheiden sich die Ergebnisse, was zu falschen Diagnosen führen kann – oder anders gesagt zur fehlerhaften Beurteilung, ob ein Tumor bösartig ist. Ein internationales Forschungsteam unter Leitung der Vetmeduni hat die bisherige Methode nun mithilfe Künstlicher Intelligenz (Deep Learning) verbessert und damit die Zuverlässigkeit deutlich erhöht: Sowohl die Genauigkeit als auch die Reproduzierbarkeit der 23 Untersucher:innen konnte deutlich erhöht werden. Damit gelang dem Forschungsteam ein wichtiger Schritt zur besseren Diagnose von Tumoren, der auch Kostenvorteile bringen könnte.

Die Mitose ist die Phase im Zellzyklus, bei welcher das genetische Material verdoppelt und auf zwei Tochterzellen aufgeteilt wird. Die Anzahl der Mitosen in Gewebeproben gibt Hinweise auf Zellteilungsaktivität und somit auf die Bösartigkeit von Tumoren. In der pathologischen Diagnostik wird die Untersuchung der Mitose in Gewebeproben eingesetzt, um einzuschätzen ob sie gutartig oder bösartig sind. Obwohl die sogenannte Mitosezählung ein wichtiger histologischer Parameter für die Bewertung von Tumoren ist, hat sie eine Schwachstelle, nämlich dort, wo der Mensch ins Spiel kommt. Denn die Patholog:innen müssen nicht nur entscheiden, welcher Teil der Gewebeprobe untersucht wird, sondern sie müssen auch Mitosen von anderen, zum Teil sehr ähnlichen Strukturen, unterscheiden. Dies führt beim Befunden immer wieder zur falschen Einschätzung der Zellteilungsaktivität des Tumors.

Computerunterstützung verbessert Befunde signifikant

Jüngste Fortschritte auf dem Gebiet der Künstlichen Intelligenz, insbesondere durch Deep Learning, haben die Entwicklung von Hochleistungsalgorithmen ermöglicht, die die Standardisierung der Mitosezählung verbessern können. Das unterstreicht eine soeben veröffentlichte internationale Studie unter Leitung der Vetmeduni. Mittels Gewebeproben von Hunden wurde untersucht, wie algorithmische Vorhersagen Patholog:innen dabei unterstützen können, mitotische Hotspots zu erkennen und die Unterscheidung von Mitosen gegen anderen Zellen zu verbessern.

„Unsere Ergebnisse zeigen, dass die Unterstützung mit einem genauen Deep-Learning-basierten Modell eine vielversprechende Methode zur Verbesserung der Reproduzierbarkeit und Genauigkeit von Mitosezählungen in histologischen Tumorschnitten ist“, so Studien-Erstautor Christof A. Bertram vom Institut für Pathologie der Vetmeduni. Dabei war die vollständige Computerunterstützung (Unterstützung bei der Auswahl der Untersuchungsareale und bei der Erkennung von Mitosen) der teilweisen Computerunterstützung, welche sich auf die Auswahl der Untersuchungsareale beschränkte, überlegen.

Genauer und kostengünstiger

Die Studie zeigt laut Bertram auch, „dass die computergestützte Mitosezählung eine wertvolle Methode zur Standardisierung in zukünftigen Forschungsstudien und routinemäßigen diagnostischen Tumorbewertungen mittels digitaler Mikroskopie sein kann.“ 

Eine genaue und reproduzierbare Krebsdiagnose ist wichtig um eine angemessene Therapie der Tumorpatienten zu finden. Darüber hinaus könnten Diagnose-Labore von der hybriden Untersuchungsmethode durch eine verbesserte Arbeitseffizienz – beispielsweise aufgrund der computerunterstützten Vorauswahl der Untersuchungsareale – profitieren, was auch Kostenvorteile bringen und damit das Gesundheitssystem entlasten könnte.

Der Artikel wurde in „Veterinary Pathology“ veröffentlicht.

Quelle: Veterinärmedizinische Universität Wien

17.01.2022

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

News • Bildgebung, KI & Proteomik

'Deep Visual Proteomics' soll Krebsdiagnostik revolutionieren

Ein deutsch-dänisches Forscherteam hat eine Technologie entwickelt, die mit zellspezifischen, protein-basierten Informationen hilft, Krebserkrankungen besser zu analysieren.

Photo

News • Krebsdiagnostik

Ultramikroskopie zeigt ganze Tumorstücke in 3D

Bisher analysierte man Tumore nur anhand dünner Schnitte. An der TU Wien in Zusammenarbeit mit der TU München wurde nun eine Technik entwickelt, die erstmals ganze Stücke des Tumors in 3D sichtbar…

Photo

News • Medikamentenforschung

Deep learning soll Krebstherapie vereinfachen

Forschende haben mit MFmap (Model Fidelity Map) ein Software-Tool entwickelt, das bei der Suche nach der geeigneten Zelllinie helfen soll.

Verwandte Produkte

Canon – Advanced intelligent Clear-IQ Engine for MR

Artificial Intelligence

Canon – Advanced intelligent Clear-IQ Engine for MR

Canon Medical Systems Europe B.V.
Canon - CT Image Reconstruction

Artificial Intelligence

Canon - CT Image Reconstruction

Canon Medical Systems Europe B.V.
Canon - HIT Automation Platform

Artificial Intelligence

Canon - HIT Automation Platform

Canon Medical Systems Europe B.V.
Canon - Vantage Elan NX Edition

1.5 Tesla

Canon - Vantage Elan NX Edition

Canon Medical Systems Europe B.V.
Fujifilm – Dynamyx

Pathology

Fujifilm – Dynamyx

FUJIFILM Europe GmbH
Fujifilm · REiLI

Artificial Intelligence

Fujifilm · REiLI

FUJIFILM Europe GmbH
Newsletter abonnieren