Um einzelne Blutzellen effizienter auswerten zu können entwickelte ein Team aus Forschenden des Helmholtz Zentrums München und des Klinikums der LMU zu diesem Zweck ein neuronales Deep-Learning-Netzwerk. Dieses wurde mit fast 20.000 Einzelbildern trainiert, um Zellen selbstständig klassifizieren zu können. Das Forschungsteam rund um Leiter Dr. Carsten Marr und den Medizindoktoranden Dr. Christian Matek vom Institut für Computational Biology am Helmholtz Zentrum München sowie Prof. Dr. Karsten Spiekermann und Simone Schwarz von der Medizinischen Klinik und Poliklinik III des Klinikums der LMU nutzte dazu Bilder, die aus Blutausstrichen von 100 Patienten mit der aggressiven Blutkrankheit AML und 100 Kontrollen extrahiert wurden. Diese neue, automatisierte Lösung wurde anschließend bewertet, indem ihre Genauigkeit mit der von menschlichen Experten verglichen wurde. Das Ergebnis zeigte, dass das von künstlicher Intelligenz (KI)-gesteuerte Verfahren diagnostisch relevante Blasten (Vorläuferzellen der weißen Blutkörperchen, die normalerweise nur im Knochenmark zu finden sind) mindestens so gut identifiziert wie ein ausgebildeter Zytologe.
Deep-Learning-Algorithmen für die Bildverarbeitung benötigen zweierlei: eine geeignete neuronale Netzwerkarchitektur mit tausenden von Parametern, sowie eine ausreichend große Menge an Trainingsdaten. Bislang lag kein großer digitalisierter Datensatz von Blutzellen vor, obwohl diese Proben in Kliniken tagtäglich verwendet werden. Die Forschungsgruppe am Helmholtz Zentrum München hat nun den ersten großen Datensatz dieser Art zur Verfügung gestellt. Derzeit arbeiten Marr und sein Team eng mit der Medizinischen Klinik und Poliklinik III des Klinikums der LMU und einem der größten europäischen Leukämie-Labore, dem Münchner Leukämie-Labor (MLL), zusammen, um Hunderte von Blutausstrichen von Patienten zu digitalisieren.
„Um unseren Lösungsansatz in der Praxis umzusetzen, muss die Digitalisierung von Blutausstrichen von Patienten zur Routine werden. Algorithmen müssen mit Proben aus verschiedenen Quellen trainiert werden, um die inhärente Heterogenität bei der Aufbereitung und Färbung der Proben zu lernen“, erklärt Marr. „In unserer Publikation konnten wir beweisen, dass Deep-Learning-Algorithmen eine ähnliche Leistung erzielen können wie Zytologen. In einem nächsten Schritt werden wir untersuchen, wie gut andere Krankheitsbilder, beispielweise genetische Mutationen oder Translokationen, mit dieser neuen KI-gesteuerten Methode vorhergesagt werden können.“
MEDICA.de; Quelle: Helmholtz Zentrum München - Deutsches Forschungszentrum für Gesundheit und Umwelt
