Das imCMS Modell kann die molekulare Klassifikation jeder einzelnen Bildregion...
Das imCMS Modell kann die molekulare Klassifikation jeder einzelnen Bildregion neuer Patientenproben voraussagen und räumlich lokalisieren. Dieser Prozess dauert wenige Minuten.

Quelle: Universitätsspital Zürich

News • RNA-Sequenzierung

Dickdarmkrebs: KI für die molekulare Tumorklassifizierung nutzen

Für eine zielgerichtete Therapie des kolorektalen Karzinoms benötigen die behandelnden Ärzte Informationen über den molekularen Subtyp des Tumors. Computer könnten dafür digitale Gewebebilder analysieren. Entwickelt hat die Methode ein Forscherteam des Universitätsspitals Zürich und der Universität Oxford.

Dickdarmkrebs ist die dritthäufigste Tumorerkrankung bei Männern und Frauen mit weltweit jährlich rund 1.8 Mio. neuen Fällen, davon circa 4000 in der Schweiz. Operation, Bestrahlung und Chemotherapie sind bewährte Behandlungswege. Daneben gibt es eine ganze Reihe von Medikamenten zur zielgerichteten Therapie. Der Einsatz dieser Medikamente ist jedoch mit relevanten Nebenwirkungen verknüpft. Mit genauen Informationen über den molekularen Subtyp des Tumors mittels RNA-Sequenzierung kann die personalisierte Therapie unterstützt werden. Patientinnen und Patienten mit besonders aggressiven Tumoren können besser erkannt und molekular klassifiziert werden. Das ist allerdings ressourcenintensiv und teuer; die Untersuchung einer Probe kostet über 1000 CHF. Zudem können derzeit bis zu 20 Prozent der Proben nicht abschliessend klassifiziert werden, weil beispielsweise zu wenig Material vorliegt oder die Ergebnisse nicht eindeutig sind.

Weiterentwicklung dank Bildanalyse und KI

Ein Forscherteam unter der Leitung von Prof. Dr. Viktor Kölzer, Institut für Pathologie und Molekularpathologie des Universitätsspitals Zürich, und von Prof. Dr. Jens Rittscher, Institute of Biomedical Engineering der Universität Oxford, hat nun eine massiv günstigere und schnellere Methode entwickelt: Sie lassen Computer hochauflösende Bilder von histologischen Schnitten mit künstlicher Intelligenz analysieren. So erfahren sie das Genexpressionsprofil des Tumors und erhalten Hinweise darauf, mit welchem Medikament er sich allenfalls behandeln lässt. Im Gegensatz zum bisherigen Goldstandard – der RNA-Sequenzierung – ist für dieses rein bildgestützte Verfahren kein weiteres Gewebematerial notwendig. Es funktioniert auch an sehr kleinen Gewebefragmenten und erlaubt die Klassifizierung bislang aufgrund technischer Limitationen der Sequenzierung nicht zugänglicher Gewebeproben. Das Verfahren generiert zudem potentiell deutlich geringere Kosten. Bildgestützte Verfahren haben das Potential, die personalisierte Therapie beim Dickdarmkrebs zu revolutionieren. Doch die neue Technik erfordert eine entsprechende Aufbereitung histologischer Schnitte: "Damit wir künstliche Intelligenz für die Tumoranalyse nutzen können, müssen wir die Pathologie digitalisieren", sagt Kölzer.

Personalisierte Medizin

Im April dieses Jahres hat Kölzer am USZ die Professur für computergestützte Bildanalyse in der Pathologie angetreten. Der erste Lehrstuhl dieser Art in der Schweiz ist von grosser strategischer Bedeutung für die personalisierte Medizin. Begonnen hat Kölzer die Arbeit am KI-gestützten Verfahren während eines Aufenthalts an der Universität Oxford, wo er im multi-institutionellen Stratification in Colorectal Cancer Consortium breite interdisziplinäre Unterstützung durch Pathologen, Bioinformatiker, Kliniker und Statistiker verschiedenster Institute und Zentren fand.

Für die Studie wurden 1553 Scans von Gewebeschnitten mittels neuester Verfahren maschinellen Sehens und künstlicher Intelligenz mit RNA-Expressionsprofilen, Genmutationen und klinischen Verlaufsdaten analysiert. Publiziert wurde die Studie über diese neue Technik erstmals als Preprint Ende Mai 2019. Nun muss die neue Methode in prospektiven, randomisierten klinischen Studien validiert werden. Noch arbeiten die Pathologen weitgehend analog – doch das könnte sich ändern, selbst in Ländern mit geringeren Ressourcen. Dazu sagt Kölzer: "Nach der Validierung könnte man die Klassifizierung kolorektaler Tumoren zentralisieren und die Technik verfügbar machen". Scans histologischer Schnitte könnten an universitäre Zentren gesandt, dort ausgewertet und die Resultate auf elektronischem Weg kommuniziert werden. Langfristig könnte die Methode auch bei anderen Tumortypen und sogar bei anderen Erkrankungen zum Einsatz kommen.

Quelle: Universitätsspital Zürich

05.07.2019

Mehr aktuelle Beiträge lesen

Verwandte Artikel

Photo

News • Potenzial auf dem Prüfstand

Endoskopie: KI klassifiziert Veränderungen im Gallengang

Das Projekt „Neuronale Netze in der Cholangioskopie“ untersucht, ob KI bei einer Cholangioskopie zwischen entzündlichen und bösartigen Veränderungen der Gallengänge unterschieden kann.

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 • Mikroskopie

Deep learning verbessert Krebsdiagnose deutlich

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

Verwandte Produkte

Image Information Systems – iQ-View

Reading

Image Information Systems – iQ-View

IMAGE Information Systems Europe GmbH
Agfa HealthCare – Rubee for AI

Artificial Intelligence

Agfa HealthCare – Rubee for AI

Agfa HealthCare
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 - Aquilion Exceed LB

Oncology CT

Canon - Aquilion Exceed LB

Canon Medical Systems Europe B.V.
Canon – Aquilion Lightning

20 to 64 Slices

Canon – Aquilion Lightning

Canon Medical Systems Europe B.V.
Canon – Aquilion Lightning SP

Volume CT

Canon – Aquilion Lightning SP

Canon Medical Systems Europe B.V.
Newsletter abonnieren