Robuste und akkurate multi Tumor, multi Species, multi Labor and multi Scanner Mitoseerkennung mittels großer Datensätze und Künstlicher Intelligenz

• Antragsteller: Professor Dr.-Ing. Marc Aubreville; Professor Dr. Robert Klopfleisch
• Fachliche Zuordnung: Pathologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520330054

Neoplasien sind eine häufige Todesursache bei Menschen und Tieren gleichermaßen. Die Zellteilungsrate (Anzahl der Mitosen) ist eine wichtige Messmethode für die Tumorproliferation und weißt eine starke Korrelation mit dem Outcome von Tumorpatienten auf. Allerdings unterliegt die Mitosezählung einem beträchtlichen Inter-Rater-Bias. Wir haben gezeigt, dass die computer-gestützte Mitosenzählung unter Verwendung von Methoden der künstlichen Intelligenz (Deep Learning) die Reproduzierbarkeit und Genauigkeit signifikant verbessern kann. Allerdings sind Deep-Learning-Modelle anfällig für Veränderungen bei der Gewebeverarbeitung und der Bildaufnahme sowie Unterschieden zwischen Tumortypen, auch als Domain-Shift bezeichnet. Diese Domänenverschiebung erschwert die Anwendung der Algorithmen in verschiedenen klinischen Umgebungen. Das Hauptziel dieses Forschungsvorhabens ist es, einen großen multi-Domain Datensatz mit bisher unerreichter Datenqualität und -quantität zu erzeugen. Dieser Datensatz wird öffentlich zugänglich gemacht und dient somit als Referenz für die Methodenentwicklung und die Lösungsvalidierung von Algorithmen und im Weiteren als Lernplattform für die Pathologieausbildung. Zusammen mit diversen Pathologielaboren sind wir in der Lage, einen Multi-Scanner-, Multi-Labor-, Multi-Spezies- und Multi-Tumortyp-Datensatz zu erzeugen, welcher repräsentativ für zahlreiche klinische Umgebungen ist (erstes Projektziel). Im Gegensatz zu bisherigen Ansätzen wird sich unser interdisziplinäres Team bei der Erstellung des Datensatzes nicht nur auf Expertenentscheidungen auf Hämatoxylin- und Eosin-gefärbten Bildern stützen, sondern ergänzend auf immunhistochemische Färbungen für Mitosen (Phospho-Histon H3 auf dem entfärbten Schnitt), und unterstützt durch maschinelles Lernen. Hierfür werden wir fortgeschrittene Methoden der Dual-Stain-Bildregistrierung und der Annotation weiterentwickeln (zweites Projektziel). Verschiedene Bildaufnahmemethoden (Tiefenschärfe, Auflösung, Bildebenen) werden für einen Teil der Proben durchgeführt, um den Einfluss auf die Mitoseerkennung durch Algorithmen und PathologenInnen festzustellen (drittes Projektziel). Darüber hinaus ist geplant, Methoden zur robusten Mitose-Erkennung unter verschiedenen Bildgebungsbedingungen zu erforschen und dabei Methoden zur Erkennung von Unsicherheiten bei KI-Lösungen einzubeziehen (viertes Projektziel). Schließlich wird der Einfluss der entwickelten Algorithmen auf die diagnostische Mitosezählung untersucht (fünftes Projektziel). Einerseits wird die Beeinflussung eines Computer-assistierten Diagnosesystems auf die Expertenentscheidung überprüft und andererseits wird die prognostische Aussagekraft des Computer-assistierten Diagnosesystems für einen humanen und einen caninen Tumortype erforscht.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Österreich
• Partnerorganisation: Fonds zur Förderung der wissenschaftlichen Forschung (FWF)
• Kooperationspartner: Dr. Christof Albert Bertram; Christopher Kaltenecker, Ph.D.