Ein gemeinsames Forschungsteam unter der Leitung von POSTECH-Professor Chulhong Kim und Professor Chan Kwon Jung vom Seoul St. Mary’s Hospital der Katholischen Universität Korea hat ein künstliches Intelligenzsystem (KI) entwickelt, um die markierungsfreien photoakustischen histologischen Bilder von menschlichem Leberkrebsgewebe zu analysieren. Ihre Forschungsergebnisse wurden kürzlich in „Light: Science and Applications“, einer internationalen Zeitschrift für Optik und Photonik, veröffentlicht.
Die Histologie ist für die Diagnose von Krankheiten und die Entwicklung geeigneter Behandlungspläne von entscheidender Bedeutung. Normalerweise muss entferntes Gewebe unter dem Mikroskop gefärbt werden, was aufgrund der Verwendung von Chemikalien zusätzlichen Arbeitsaufwand und Kosten verursacht. Die photoakustische Histologie (PAH) wurde entwickelt, um diese Probleme zu mildern. PAH erzeugt Bilder, indem es Schallsignale (Ultraschall) erkennt, die von Biomolekülen erzeugt werden, wenn sie mit Licht (Laser) beleuchtet werden, wodurch Färbung und Markierung überflüssig werden. Pathologen war PAH jedoch zunächst unbekannt, was die Interpretation und Diagnose erschwerte und zu einer relativ geringen Genauigkeit führte.
In dieser Studie integrierten die Forscher PAH mit hochmodernen Deep-Learning-Modellen, die eine virtuelle Färbung, Segmentierung und Klassifizierung von Bildern menschlichen Gewebes ermöglichen.
Zunächst werden im „virtuellen Färbeschritt“ unbeschriftete Schwarzweißbilder – die Zellkerne und Zytoplasma enthalten – in Bilder umgewandelt, die gefärbte Proben imitieren. Dieser Schritt ist darauf ausgelegt, Bilder zu erzeugen, die tatsächlich gefärbten Proben ähneln, wobei die Gewebestrukturen erhalten bleiben. Dabei werden erklärbare Deep-Learning-Methoden verwendet, um die Zuverlässigkeit der virtuellen Färbeergebnisse zu erhöhen.
Anschließend werden in der „Segmentierungsphase“ das unbeschriftete Bild und die virtuellen Färbedaten verwendet, um Merkmale der Probe wie Zellfläche, Zellzahl und interzelluläre Abstände zu segmentieren. Schließlich verwendet das Modell in der „Klassifizierungsphase“ das unbeschriftete Bild, das virtuelle Färbebild und die Segmentierungsdaten, um zu klassifizieren, ob die Gewebe krebsartig sind oder nicht.
Die Forscher wendeten ihr Deep-Learning-Modell auf die PAH-Bilder von menschlichem Leberkrebsgewebe an. Das KI-Modell, das „virtuelle Färbung“, „Segmentierung“ und „Klassifizierung“ integriert, erreichte eine hohe Genauigkeit von 98 % bei der Unterscheidung zwischen krebsartigen und nicht krebsartigen Leberzellen. Insbesondere zeigte das Modell bei der Bewertung durch drei Pathologen eine Sensibilität von 100 %, was sein Potenzial für die klinische Anwendung unterstreicht.
https://www.nature.com/articles/s41377-024-01554-7
