Projektbeschreibung
Neoplasien sind eine der häufigsten Todesursachen bei Tieren und Menschen und erfordern fundierte Behandlungsentscheidungen, die auf pathologischen Untersuchungen von Tumorproben beruhen. Die histologische Analyse, insbesondere die Bestimmung der Mitosenzahl (MC), spielt hierbei eine zentrale Rolle in der Prognoseerstellung. Unser Forschungsprojekt hat jedoch gezeigt, dass die Variabilität in der Mitosenzahl, bedingt durch eine heterogene Verteilung auf den Präparaten, beobachterabhängige Unterschiede, morphologische Komplexität und technische Grenzen, zu einer schlechten Übereinstimmung unter Pathologen führt. Dies birgt das Risiko falscher Prognosen und Therapieentscheidungen.
Unsere Arbeit zeigt, dass computergestützte Bildanalyse durch maschinelles Lernen und Deep-Learning-Methoden in der Lage ist, bei ausreichender Datenmenge menschliche Beobachter in der Klassifizierung histopathologischer Bilder zu übertreffen. Wir haben große, qualitativ hochwertige Datensätze erstellt und Algorithmen entwickelt, die die Leistung von Pathologen nachweislich verbessern. So wird eine präzisere Tumorprognose durch kostengünstige H&E-gefärbte Objektträger möglich.
Ein multidisziplinärer, repräsentativer Referenzdatensatz ist entscheidend für den weiteren Erfolg dieser Technologien. In der Histopathologie herrscht eine hohe Variabilität durch unterschiedliche Färbungen, Spezies, Gewebetypen und Digitalisierungsgeräte. Diese Variabilität kann eine sogenannte Domänenverschiebung erzeugen, die die Leistung von Algorithmen beeinträchtigt. Domänenanpassungsansätze sind daher in der computergestützten Histopathologie essenziell, um robuste Softwarelösungen zu entwickeln, die die Vielfalt der biologischen und bildgebenden Variationen abdecken.
Unser Ziel ist es, durch datengesteuerte Deep-Learning-Methoden eine bessere und zuverlässigere Unterstützung für Patholog*Innen zu schaffen und somit die Tumorprognose und die Entscheidungsfindung in der klinischen Praxis zu optimieren. Das Projekt vereint Partner aus zwei Ländern (Deutschland, Österreich), drei davon aus der universitären Medizin (Prof. Klopfleisch, FU Berlin, Prof. Bertram, VetMedUni Wien, Dr. Kaltenecker, MedUni Wien) und einen aus der Informatik (Prof. Aubreville, HS Flensburg).
Ziele
- KI-unterstützte Tumordiagnose
- Robuste KI-Tools für medizinische Aufgabenstellungen