Motivation
Künstliche Intelligenz (KI) revolutioniert die digitale Pathologie. Whole Slide Imaging (WSI) oder virtuelle Mikroskopie beinhaltet das Scannen (Digitalisieren) von Glasobjektträgern, um digitale Schnittbilder zu erzeugen. Ein breiter und skalierbarer Einsatz von KI-Verfahren in der diagnostischen Praxis und klinischen Forschung wird gegenwärtig noch durch einen Mangel an ausreichend großen Trainings- und Validierungsdatensätzen limitiert. Die Trainings- und Validierungsdatensätze müssen hierbei besonders umfangreich sein, um die große Vielfalt biologischer Muster und Herstellungsartefakte in digitalen WSI in der klinischen Realität repräsentativ abzudecken.
Ziele und Vorgehen
Ziel ist daher die Entwicklung neuartiger Methoden zur Datensynthese und das Erweitern synthetischer WSI. Die bestehenden Bilddatensätze sollen in realistischer Weise angereichert werden. Ebenfalls sollen Kenngrößen für die Repräsentativität von Bilddatensätzen in der Pathologie entwickelt werden. Bei dem Erweitern mittels Künstliche Intelligenz (Argumentierung) synthetischer WSIs werden unterschiedliche Techniken entwickelt und in eine gemeinsame Methoden-Toolbox integriert. Dies umfasst zum einen Augmentierungs-Methoden zur Erhöhung der biologischen Variabilität: Hierbei werden die Veränderungen von Strukturen und Formen von Organismen, morphologischen Variationen, in unterschiedlich gefärbten WSI von sequentiellen Schnitten nutzbar gemacht. Zum anderen werden Methoden entwickelt, um bestehende Datensätze von Gewebebildern in repräsentativer Weise mit Herstellungsartefakten (z.B. Risse, Faltungen, Luftblasen, Fremdmaterial) zu augmentieren, indem aus Beispieldaten automatisch niedrigdimensionale Artefakt-Deskriptoren abgeleitet werden. Bei Deskriptoren handelt es sich eine Art Kenn- oder Schlüsselwort durch das der Inhalt einer Information charakterisiert wird, um die Daten einordnen und besser auffinden zu können. Weiterhin werden aus den Artefakt-Deskriptoren Metriken abgeleitet, mit denen sich die Repräsentativität eines Datensatzes messen lässt.
Innovationen und Perspektiven
Die Projektergebnisse werden dazu beitragen, robuste KI-basierte Biomarker aus digitalen Gewebebildern deutlich schneller zu gewinnen. Um die Praxisrelevanz sicherzustellen, werden die Ergebnisse zusammen mit Partnern aus der Pharmaindustrie und der akademischen klinischen Forschung getestet und verwertet.