|
Künstliche Intelligenz verbessert Krebsdiagnose deutlich |
 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 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.
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.
Hochleistungsalgorithmen auf Basis von Deep Learning
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.
Computerunterstützung verbessert Befunde signifikant
„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.
Den Artikel finden Sie unter:
https://www.vetmeduni.ac.at/universitaet/infoservice/presseinformationen-2022/kuenstliche-intelligenz-verbessert-krebsdiagnose-deutlich
Quelle: Veterinärmedizinische Universität Wien (01/2022)
Publikation:
https://journals.sagepub.com/doi/full/10.1177/03009858211067478 |
