Doch jetzt tut sich für die Lebenswissenschaften ein neuer Horizont auf: Das neue digitale Tool deepflash2 erleichtert die Analyse von Mikroskopiebildern ganz wesentlich. deepflash2 ist frei verfügbar und basiert auf Methoden des maschinellen Lernens.
Matthias Griebel vom Lehrstuhl für Wirtschaftsinformatik und Business Analytics der Universität Würzburg hat das Tool im Rahmen seiner Promotion entwickelt. Das Tool bildete das Fundament der Lösung, die er gemeinsam mit dem Mediziner Philipp Sodmann für einen internationalen Data-Science-Wettbewerb entwickelt hat. In diesem Wettbewerb war das Team der beiden Würzburger erfolgreich: Es erhielt im Mai 2021 den mit 10.000 US-Dollar dotierten Innovationspreis und eine Gold-Medaille der Online-Plattform Kaggle.
Die hochkarätig besetzte Jury mit Fachleuten aus Medizin, Biologie und Künstlicher Intelligenz (KI) bescheinigte deepflash2 eine weitere Qualität: Das Programm erkennt auch Uneindeutiges.
"In der Biologie ist nicht alles schwarz oder weiß", erklärt Matthias Griebel. Nicht selten zweifeln Forscher, ob Zellen, die sie in einem Gewebeschnitt sehen, noch funktionsfähig sind. In solchen Fällen weist deepflash2 darauf hin: Hier müssen noch einmal Menschen draufschauen! Eben dies macht das Tool nach Meinung der Jurymitglieder besonders innovativ.
Noch ist deepflash2 ein Geheimtipp für Forscherde, die sich mit der Biobildanalyse befassen. Das grandiose Abschneiden beim Data-Science-Wettbewerb will Matthias Griebel nun aber zum Anlass nehmen, um verstärkt Werbung für sein Werkzeug zu machen.
Da es sich um ein Open-Source-Tool handelt, können andere Forscher es kostenlos im Browser nutzen oder auf dem eigenen Computer installieren. Inzwischen tüftelt Griebel schon daran, deepflash2 durch die Erkenntnisse aus dem Wettbewerb weiter zu verbessern.
Matthias Griebel möchte nicht im Elfenbeinturm vor sich hinforschen. Ihm ist es wichtig, Tools zu entwickeln, die am Ende den Menschen helfen. Und vielleicht sogar Menschenleben retten.
Können Mikroskopiebilder schneller und sicherer ausgewertet werden, kann es auch schneller zu einer Diagnose kommen. Und zwar bei ganz verschiedenen Erkrankungen. Weil das Programm deepflash2 trainierbar ist, kann es zum Beispiel lernen, verschiedene funktionelle Gewebseinheiten zu erkennen. So kann der Algorithmus mithilfe des maschinellen Lernens beigebracht bekommen, auf einem Bild die insulinproduzierenden Zellen der Bauchspeicheldrüse zu identifizieren.
MEDICA.de; Quelle: Julius-Maximilians-Universität Würzburg
