Mögliche Anwendung während der Routinediagnostik: Links – Gewebeproben einer Magenspiegelung ohne visuelle Unterstützung. Rechts – Mögliche Darstellung auffälliger Areale nach automatisierter Analyse. Neben der sogenannten Gewebedignität sollen noch weitere Informationen über molekulare oder klinische Eigenschaften angezeigt werden. (Theoretisches Modell - Entwicklung noch nicht abgeschlossen - Keine klinische Anwendung), Foto: Dr. S. Försch

Von Pathologen für Pathologen: Künstliche Intelligenz zur Befundung

Mainzer Wissenschaftler entwickeln ein Clinical Decision Support System, um schnell und präzise entscheiden zu können, ob Gewebe Tumorzellen enthalten. Die neue Softwareplattform soll Gewebeabschnitte mittels Deep-Learning-Algorithmen analysieren.

Schnellere und präzisere Diagnosen aufgrund digitaler Gewebeanalysen würden Pathologen und Patienten helfen und wären dazu mit Kostenersparnissen verbunden. Ein neues, vom Bundesministerium für Bildung und Forschung (BMBF) mit knapp einer halben Million Euro gefördertes Forschungsprojekt des Instituts für Pathologie der Universitätsmedizin Mainz, der Stabsstelle Technologietransfer sowie das Institut für Informatik der Johannes Gutenberg-Universität Mainz, nimmt sich dieser Fragestellung an.

Ziel des über zwei Jahre laufenden Vorhabens ist es, eine digitale Benutzeroberfläche für hocheffiziente Gewebeuntersuchung auf der Basis von künstlicher Intelligenz (KI) zu entwickeln. Eine solche Vorgehensweise wird insbesondere durch die steigende Digitalisierung der pathologischen Untersuchungsproben überhaupt erst ermöglicht. Solch eine automatisierte, computerbasierte Analyse könnte dann in den Routineworkflow integriert werden.

Clinical Decision System für Pathologen

An der Mainzer Uniklinik werden täglich bis zu 1.000 Gewebeschnitte am Institut für Pathologie untersucht. Dabei bedient man sich immer noch überwiegend analoger Lichtmikroskope. Die Digitalisierung der Gewebeproben in Verbindung mit neuen, auf KI beruhenden, Analyseverfahren, könnte dazu beitragen, Antworten darauf zu erhalten, ob es beispielsweise Anhaltspunkte für tumorverdächtige Gewebeareale im Körper eines Patienten gibt, ob es sich um einen Tumor handelt und inwiefern das zu analysierende Gewebe relevante genetische Veränderungen aufweist und auch, welche erfolgversprechenden Therapieoptionen sich bei einem Patienten anbieten würden.

Dr. Sebastian Försch vom Institut für Pathologie der Universitätsmedizin Mainz, unter dessen Ägide das Projekt läuft, erläutert die dem CDSS zugrunde liegenden Berechnungen: „Bei den verwendeten Algorithmen handelt es sich um sogenannte tiefe neuronale Netze, die in ihrem Aufbau und in ihrer Funktion biologischen Neuronenverbänden nachempfunden sind. Damit ein solches Netzwerk tumorverdächtige von gesunden Gewebearealen unterscheiden kann, muss man es an möglichst vielen verschiedenen Beispielen trainieren. Wir sprechen hier von Millionen von Abbildungen, welche wir zusammengetragen haben“. Er fährt fort: „Dabei überprüft das Netzwerk permanent die Richtigkeit der von ihm erstellten Vorhersage. Liegt das CDSS falsch, so korrigiert es sich selbst und versucht dann, zu einer besseren Vorhersage zu gelangen. Liegt es hingegen richtig, so steuert es auf die optimale Lösung zu“.

Welche Verbesserungen ein solches System mit sich bringen würde, erläutert Professor Dr. Wilfried Roth, der Direktor des Instituts für Pathologie der Uniklinik Mainz: „Der Nutzen einer solchen Softwareplattform wäre gerade für die Pathologie immens. Einerseits würde dieses CDSS schnellere und präzisere Diagnosen erlauben. Andererseits würde es mit einer erheblichen Kostenersparnis einhergehen, solch ein System an einem pathologischen Institut zu verwenden“.

Visualisierung der Ergebnisse

Das zu entwickelnde CDSS könnte potenziell auch die Gewebeanalyse visualisieren. Dabei könnte nicht nur das Vorliegen eines Tumors dargestellt werden, sondern auch die Wahrscheinlichkeit, wie sicher sich das CDSS seiner Aussage ist. „So könnte man diese Wahrscheinlichkeit in Farben umwandeln und das Gewebe ´digital´ einfärben – beispielsweise ein dezentes Grün, wenn alles gesund ist, oder ein alarmierendes Rot, wenn der Algorithmus sich sicher ist, dass es sich um einen Tumor handelt“, erklärt Försch. Er verspricht sich aus der Tatsache, dass das CDSS von Pathologen für Pathologen entwickelt wird, einen besonderen Vorteil: „Was dieses Forschungsprojekt so viel versprechend macht, ist, dass das CDSS aus der Pathologie heraus entwickelt wird. Dadurch befinden wir uns in der einmaligen Situation, bereits vom ersten Projekttag an auf spezielle pathologische Anforderungen eingehen zu können“, urteilt er.

###

cwm

David und Goliath

Ohne künstliche Intelligenz und Datenanalyse nicht wettbewerbsfähig?

Software und klinische Expertise vereint

Das HPI hat gemeinsam mit dem Mount Sinai Klinikum in New York das Hasso Plattner Institute for Digital Health at Mount Sinai gegründet.

HIMSS Impact 17

Wirkungskraft von Big Data im Gesundheitswesen erschließen