Computer Vision bringt Krebserkennung und -behandlung voran

Computer Vision ist ein Teilgebiet der künstlichen Intelligenz, das Algorithmen ermöglicht, visuelle Daten aus Bildern und Videos zu verstehen und zu interpretieren. In der Krebsforschung wird sie zunehmend zur Analyse komplexer visueller Informationen aus pathologischen Präparaten, mikroskopischen Proben und medizinischen Scans eingesetzt. Diese Tools können langwierige Arbeitsabläufe rationalisieren und Teams mit geringen Ressourcen in die Lage versetzen, ihre Ziele zu erreichen und letztendlich die Patientenversorgung zu verbessern.

Besseres Verständnis von Tumortreibern

Nach einer biopsiebasierten Krebsdiagnose führen Pathologen häufig eine RNA-Sequenzierung durch, um die genomischen Veränderungen aufzudecken, die das Tumorwachstum antreiben. Dieses Wissen ist sowohl für die Forschung als auch für die Entwicklung personalisierter Therapien von entscheidender Bedeutung. Die hohen Kosten und die langsame Geschwindigkeit der derzeitigen Methoden treiben jedoch die Suche nach effizienteren Alternativen voran.

Um dieses Problem zu lösen, hat ein Forscherteam ein KI-Tool entwickelt, das die genetische Aktivität in Tumorzellen direkt aus mikroskopischen Standard-Biopsiebildern vorhersagt. Sie trainierten ihr Modell anhand eines umfangreichen Datensatzes von über 7 500 Proben aus 16 Krebsarten, ergänzt durch Bilder gesunder Zellen zum Vergleich.

Das Team hat das Tool so konzipiert, dass es übersichtlich und praktisch einsetzbar ist. Es erstellt eine visuelle Karte der Biopsie, auf der die vorhergesagten Genaktivitätsmuster hervorgehoben werden. Dies ermöglicht es den Forschern, räumliche Variationen innerhalb des Tumors festzustellen. Unter Verwendung einer gängigen Zellfärbetechnik identifizierte die KI erfolgreich die Expressionsmuster von mehr als 15.000 Genen aus den gefärbten Bildern.

Die Ergebnisse zeigten eine über 80 %ige Korrelation zwischen den Vorhersagen der KI zur genetischen Aktivität und den tatsächlichen Messungen. Die Genauigkeit des Modells verbesserte sich im Allgemeinen, wenn es mit größeren, für eine bestimmte Krebsart spezifischen Datensätzen trainiert wurde.

Weitere Experimente zeigten, dass der Algorithmus das Potenzial hat, genomische Risikowerte bei Brustkrebspatientinnen zu ermitteln. Bei denjenigen, bei denen ein höheres Risiko festgestellt wurde, traten häufiger und früher Rezidive auf.

Die KI ermöglicht weiterhin bemerkenswerte medizinische Durchbrüche, wie etwa Systeme, die COVID-19 mit einer Genauigkeit von bis zu 99 % erkennen. Diese Instrumente sind zwar sehr leistungsfähig, aber sie dürfen die Fachkenntnisse der Ärzte nicht ersetzen, sondern müssen sie ergänzen. Sich ausschließlich auf KI zu verlassen, könnte die Ergebnisse für die Patienten beeinträchtigen.

Optimale Behandlungen aufspüren

Krebspatienten leiden oft unter erheblichem Stress und Nebenwirkungen von Behandlungen, die für ihre spezielle Erkrankung nicht optimal sind. Während Nebenwirkungen wie Übelkeit toleriert werden, sinkt die Bereitschaft der Patienten, die Behandlung fortzusetzen, wenn die ersten Ergebnisse nicht vielversprechend sind.

Eine schnellere Identifizierung der besten personalisierten Behandlungen kommt allen zugute. Die übliche Behandlungsplanung umfasst die Analyse von CT- und MRT-Scans, bei denen jedes Pixel einen einzelnen Datenpunkt in Graustufen darstellt. KI bietet eine detailliertere Ansicht. Ein fortschrittliches Tool kann bis zu 30.000 Merkmale pro Pixel analysieren und Gewebeproben mit einer Größe von nur 400 Quadratmikrometern auswerten - das entspricht in etwa der Breite von fünf menschlichen Haaren.

Anhand von gespendeten Proben konnte das Tool seinen Wert unter Beweis stellen. Bei Blasenkrebs identifizierte es eine spezialisierte Zellgruppe, die für die Bildung tertiärer lymphatischer Strukturen verantwortlich ist, die mit einem besseren Ansprechen auf eine Immuntherapie verbunden sind. Bei Proben von Magenkrebs konnte genau zwischen Krebszellen und gesunder Schleimhaut unterschieden werden, was den Ärzten half, die Ausbreitung des Krebses besser zu beurteilen.

Die Forscher glauben, dass diese Technologie Onkologen bei der Suche nach den wirksamsten Behandlungen für verschiedene Krebsarten helfen kann. Sie hat auch das Potenzial, die Forschung zu beschleunigen, indem sie aus diagnostischen Standardbildern aussagekräftigere Daten gewinnt.

Beschleunigung der Medikamentenentwicklung

Neue Krebsmedikamente auf den Markt zu bringen, ist ein jahrelanger Prozess, der stark von erfolgreichen klinischen Studien abhängt. Ein Londoner Team hat kürzlich eine KI-Methode entwickelt, um zu bewerten, wie effektiv Medikamente ihre zellulären Ziele erreichen. Die Konzentration auf die vielversprechendsten Kandidaten könnte die Ergebnisse verbessern und die Zulassung beschleunigen.

Das Team setzte geometrisches Deep Learning ein, um die 3D-Formen von fast 100.000 Melanomzellbildern zu analysieren. Im Gegensatz zu früheren 2D-Analysen von Zellen auf Objektträgern untersucht diese Methode Zellen in einem naturgetreueren Zustand. Sie erfasst, wie Behandlungen die Zellformen verändern, und zeigt die Variabilität zwischen Zellpopulationen auf.

Das Instrument erreichte eine Genauigkeit von über 99 % bei der Erkennung der Auswirkungen bestimmter Medikamente. Es konnte sogar Formveränderungen erkennen, die durch Medikamente verursacht werden, die auf verschiedene Proteine abzielen.

Durch die Aufdeckung biochemischer Veränderungen kann die KI vielversprechende Ziele für neue Krebsmedikamente aufzeigen. Diese Innovation könnte die präklinische Testphase von drei Jahren auf drei Monate verkürzen und die klinischen Versuche um bis zu sechs Jahre verkürzen. Sie würde dazu beitragen, die Patienten zu identifizieren, die am ehesten davon profitieren, und die Nebenwirkungen schneller zu verstehen.

Vereinfachung der Arbeitsabläufe bei der Krebsanalyse

Obwohl die KI viele Aspekte der Krebsforschung verbessert hat, konzentrieren sich die meisten Tools auf einzelne Aufgaben. Dies zwingt die Mediziner dazu, mehrere Systeme zu erlernen. Um die Benutzerfreundlichkeit zu verbessern, entwickeln einige Teams umfassende, vielseitige Lösungen.

Eine Gruppe hat ein ChatGPT-ähnliches Modell entwickelt, das vielseitig genug ist, um Bewertungsaufgaben für 19 Krebsarten zu bewältigen. Es beschleunigt die Prozesse zur Erkennung, Prognosebeurteilung und Überwachung des Behandlungserfolgs. Die Entwickler behaupten, dass es das erste Modell ist, das die Ergebnisse in verschiedenen internationalen Patientengruppen erfolgreich vorhersagen und validieren konnte.

Die KI analysiert digitale Objektträger von Tumorproben, untersucht molekulare Profile und identifiziert Krebszellen. Sie bewertet auch das den Tumor umgebende Gewebe, was auf die Wirksamkeit der Behandlung hinweisen kann. In Tests erwies sie sich als genauer als bestehende Instrumente. Vor allem war es das erste Modell, das spezifische Tumormerkmale mit verbesserten Überlebensraten der Patienten in Verbindung brachte, was möglicherweise neue Forschungswege eröffnet.

Das Modell wurde zunächst anhand von 15 Millionen unbeschrifteten Bildern trainiert, die nach Bereichen von Interesse segmentiert waren. Anschließend wurde es anhand von 60.000 Ganzbildaufnahmen der 19 Krebsarten verfeinert, um eine umfassende Bildanalyse zu erlernen.

Das Tool wurde anhand von 19 400 Ganzbildaufnahmen aus 32 unabhängigen globalen Datensätzen, die 24 Patientenkohorten und Krankenhäuser repräsentieren, eingehend getestet. Dies gewährleistet seine Robustheit in realen klinischen Umgebungen.

Maximierung der Erkenntnisse aus der biomedizinischen Bildgebung

Biomedizinische Mikroskopie ist für die Krebsforschung unerlässlich, aber die Analyse dieser Bilder kann Tage dauern. Ein Team hat eine neuartige Computer-Vision-Technik entwickelt, um diesen Prozess zu rationalisieren. Es setzt maschinelles Lernen ein, um Proben zu analysieren und gemeinsame Merkmale von Krebstumoren aufzudecken.

Die Effizienz dieses Tools wird dadurch erreicht, dass mehrere Regionen eines Tumors gleichzeitig untersucht und zu einer zusammenhängenden Analyse zusammengeführt werden. Andere Methoden zerlegen große Tumorbilder in kleine Abschnitte und analysieren diese separat. Angesichts der Tatsache, dass diese Bilder bis zu einer Milliarde Pixel enthalten können, ist der Standardansatz extrem zeitaufwändig.

Die Entwickler stellen sich eine Zukunft vor, in der Kliniker anhand von Tumorbildern nahezu sofortige Diagnosen stellen können. Diese Informationen könnten dann während der Operation in Echtzeit an die Chirurgen weitergeleitet werden, so dass Entscheidungen auf der Grundlage der aktuellsten Daten getroffen werden können.

Im Vergleich zu führenden Basistechniken schnitt das neue Tool um fast 4 % besser ab und erreichte in einigen Tests eine Genauigkeit von fast 88 %. Die Forscher betonten seine breite Anwendbarkeit, da es für jeden Tumortyp und jede Mikroskopiemethode verwendet werden kann.

Mit Computer Vision die Krebsforschung vorantreiben

KI-gestütztes Bildverarbeitungssystem hat ein erhebliches Potenzial, die Krebsforschung voranzubringen und sowohl die wissenschaftliche Forschung als auch die Ergebnisse für Patienten zu verbessern. Die obigen Beispiele veranschaulichen die vielfältigen Anwendungsmöglichkeiten. Fachleute sollten diese Technologien integrieren, um ihr hart erarbeitetes Fachwissen zu ergänzen und zu erweitern, und nicht als unfehlbaren Ersatz für das menschliche Urteilsvermögen.