Motivation
Die Pathologie ist die wichtigste Disziplin in der Krebsdiagnostik und zugleich eine entscheidende Voraussetzung für eine Therapie. Dafür untersucht der Pathologe menschliches Gewebe unter dem Mikroskop auf Tumorgewebe, einzelne bösartige Zellen und andere krankheitsbedingte Gewebeveränderungen. Gerade die Auszählung von Mitosen (Zellen, die sich im Teilungsstadium befinden) spielt bei der Diagnostik vieler Tumorerkrankungen eine wichtige Rolle, wie z.B. bei der visuellen Befundung von Brust-, Haut- und anderen Krebsarten. Diese Auszählung erfolgt gegenwärtig noch immer händisch und ist damit auch für Experten anspruchsvoll und fehleranfällig. Mit klassischen Methoden der automatisierten Bilderkennung ist eine zuverlässige Erkennung bisher nicht möglich. Da der Bedarf an Labordiagnostik infolge steigender Krebserkrankungen und einer alternden Gesellschaft weiter wächst, besteht hier ein hoher Bedarf an Automatisierung bzw. der Entwicklung von Unterstützungswerkzeugen für die Pathologie.
Ziele und Vorgehen
Ziel des Verbundvorhabens „MAI“ ist es, ein softwarebasiertes System zur automatisierten Erkennung von Mitosen für den Routineeinsatz in Krankenhäusern, Praxen und Laboren zu entwickeln. Dieses modular aufgebaute System wird neueste Entwicklungen in der digitalen Pathologie, der Verarbeitung großer Bilddatenmengen und der Künstlichen Intelligenz (KI) integrieren. Dazu sollen Gewebeschnitte im Digitization-Modul gescannt und für das initiale Training der Lernalgorithmen annotiert sowie die großen Bilddateien über Schnittstellen (Exchange-Modul) zum Pathologiesystem verarbeitet werden. Für die automatische Bilderkennung werden im KI-Modul aktuelle Algorithmen des Deep Learning, insbesondere sogenannte Convolutional Neural Networks, zum Einsatz kommen, um Mitosen in feingliedrigen Gewebestrukturen auf digitalisierten Bildern der Gewebeschnitte zu detektieren und zu lokalisieren. Die Ergebnisse der automatischen Erkennung werden von einem Arzt in einer intuitiven medizinischen Benutzeroberfläche im Report-Modul überprüft und autorisiert. Ärztliche Korrekturen werden zum Nachlernen genutzt, um die Erkennungsgenauigkeit stets weiter zu verbessern. Durch die Speicherung korrigierter Befunde im ContinueLearn-Modul kann sich das System durch Nachlernen auf individuelle Veränderungen oder neue Labore anpassen.
Innovationen und Perspektiven
Die Praxistauglichkeit des neuartigen Erkennungssystems wird in einer klinischen Machbarkeitsstudie an der Charité evaluiert, indem die Güte des Systems für die Routinediagnostik bestimmt wird. Dazu wird der Workflow in der Mitosebefundung an den nötigen Stellen entsprechend angepasst, sodass Objektträger immer digitalisiert und digital befundet werden. Die Zertifizierung für den Gesundheitsmarkt soll nach Projektende erfolgen, sodass das System routinemäßig in Krankenhäusern, Praxen und Laboren in Deutschland und weiteren Ländern eingesetzt werden kann. Angestrebt wird darüber hinaus, die Projektergebnisse patentieren zu lassen und das System für einen breiteren Einsatz für ähnliche Anwendungsfälle in der Pathologie vorzubereiten.