KI-System lernt die Sprache des Krebses und ermöglicht so eine bessere Diagnose

Ein Computersystem, das mithilfe künstlicher Intelligenz die Sprache des Krebses lernt, ist nach Aussage seiner Entwickler in der Lage, die Anzeichen der Krankheit in biologischen Proben mit bemerkenswerter Genauigkeit zu erkennen.

Ein internationales Team aus KI-Spezialisten und Krebsforschern steht hinter der bahnbrechenden Entwicklung, die auch zuverlässige Vorhersagen über die Behandlungsergebnisse der Patienten ermöglichen kann.

Derzeit untersuchen und charakterisieren Pathologen die Eigenschaften von Gewebeproben, die Krebspatienten auf Objektträgern entnommen wurden, unter dem Mikroskop. Ihre Beobachtungen über Tumorart und Wachstumsstadium helfen den Ärzten, die Behandlungsmethode und die Heilungschancen jedes Patienten zu bestimmen.

Das neue System, das die Forscher „Histomorphological Phenotype Learning“ (HPL) nennen, könnte Humanpathologen dabei helfen, schnellere und genauere Diagnosen der Krankheit zu stellen und so möglicherweise dazu beitragen, die Krebsbehandlung in Zukunft zu verbessern.

Das Team unter der Leitung von Forschern der University of Glasgow und der New York University beschreibt in einem neuen Artikel, wie es das HPL-System entwickelt und trainiert hat. veröffentlicht in der Zeitschrift Naturkommunikation.

Sie begannen damit, Tausende hochauflösende Bilder von Gewebeproben von Lungenadenokarzinomen von 452 Patienten zu sammeln, die in der Cancer Genome Atlas-Datenbank des US-amerikanischen National Cancer Institute gespeichert sind. In vielen Fällen sind den Daten zusätzliche Informationen über den Verlauf der Krebserkrankung der Patienten beigefügt.

Als nächstes entwickelten sie einen Algorithmus, der einen Trainingsprozess namens „selbstüberwachtes Deep Learning“ verwendete, um die Bilder und Punktmuster ausschließlich auf der Grundlage der visuellen Daten in jedem Objektträger zu analysieren.

Der Algorithmus zerlegte die Bilder der Objektträger in Tausende winziger Kacheln, von denen jede eine kleine Menge menschlichen Gewebes darstellt. Ein tiefes neuronales Netzwerk untersucht die Kacheln und lernt dabei selbst, alle visuellen Merkmale zu erkennen und zu klassifizieren, die allen Zellen in jeder Gewebeprobe gemeinsam sind.

Dr. Ke Yuan von der School of Computing Science der University of Glasgow beaufsichtigte die Forschung und ist der Hauptautor der Studie. Er sagte: „Wir haben dem Algorithmus keine Einblicke in die Proben gegeben oder in das, was wir von ihm erwarteten. Trotzdem lernte er, wiederkehrende visuelle Elemente in den Kacheln zu erkennen, die Texturen, Zelleigenschaften und Gewebearchitekturen entsprechen, die als Phänotypen bezeichnet werden.“

„Durch den Vergleich dieser visuellen Elemente über die gesamte untersuchte Bildserie hinweg erkannte es Phänotypen, die oft gemeinsam auftraten, und konnte so unabhängig voneinander die architektonischen Muster herausarbeiten, die menschliche Pathologen bereits in den Proben identifiziert hatten.“

Als das Team das HPL-System um die Analyse von Objektträgern mit Plattenepithelkarzinomen der Lunge erweiterte, war es in der Lage, die Merkmale mit einer Genauigkeit von 99 % richtig zu unterscheiden.

Nachdem der Algorithmus Muster in den Proben identifiziert hatte, nutzten die Forscher ihn, um Verbindungen zwischen den von ihm klassifizierten Phänotypen und den in der Datenbank gespeicherten klinischen Ergebnissen zu analysieren, einschließlich der Frage, wie lange Patienten nach einer Krebsoperation überlebten.

Der Algorithmus entdeckte, dass bestimmte Phänotypen, wie Tumorzellen, die weniger invasiv sind, oder viele Entzündungszellen, die den Tumor angreifen, häufiger bei Patienten auftraten, die nach der Behandlung länger lebten. Andere, wie aggressive Tumorzellen, die feste Massen bilden, oder Regionen, in denen das Immunsystem ausgeschlossen ist, waren stärker mit dem Wiederauftreten von Tumoren verbunden.

Die Vorhersagen des HPL-Systems stimmten gut mit den tatsächlichen Ergebnissen der in der Datenbank gespeicherten Patienten überein und schätzten die Wahrscheinlichkeit und den Zeitpunkt der Rückkehr des Krebses in 72 % der Fälle korrekt ein. Humanpathologen, die mit der gleichen Vorhersage beauftragt wurden, zogen mit einer Genauigkeit von 64 % die richtigen Schlussfolgerungen.

Als die Forschung auf die Analyse von Tausenden von Objektträgern zu zehn weiteren Krebsarten, darunter Brust-, Prostata- und Blasenkrebs, ausgeweitet wurde, waren die Ergebnisse trotz der gestiegenen Komplexität der Aufgabe ähnlich genau.

Professor John Le Quesne von der School of Cancer Sciences der University of Glasgow ist einer der Co-Seniorautoren des Artikels und hat die Forschung beaufsichtigt. Er sagte: „Wir waren überrascht, aber sehr erfreut über die Effektivität des maschinellen Lernens bei der Bewältigung dieser Aufgabe. Es dauert viele Jahre, um Humanpathologen darin zu schulen, die Krebssubtypen zu identifizieren, die sie unter dem Mikroskop untersuchen, und Rückschlüsse auf die wahrscheinlichsten Ergebnisse für die Patienten zu ziehen. Es ist eine schwierige, zeitaufwändige Arbeit, und selbst hochqualifizierte Experten können manchmal aus demselben Objektträger unterschiedliche Schlussfolgerungen ziehen.“

„In gewisser Weise hat sich der Algorithmus im Herzen des HPL-Systems von Grund auf selbst beigebracht, die Sprache des Krebses zu sprechen – die extrem komplexen Muster in den Objektträgern zu erkennen und zu ‚lesen‘, was sie uns sowohl über die Art des Krebses als auch über seine möglichen Auswirkungen auf die langfristige Gesundheit der Patienten sagen können. Anders als ein menschlicher Pathologe versteht er nicht, was er sieht, kann aber dennoch auf der Grundlage mathematischer Analysen erstaunlich genaue Schlussfolgerungen ziehen.

„Es könnte sich als unschätzbar wertvolles Hilfsmittel für Pathologen in der Zukunft erweisen, da es ihre vorhandenen Fähigkeiten durch eine völlig unvoreingenommene Zweitmeinung ergänzt. Die Erkenntnisse, die durch die Zusammenarbeit von menschlichem Fachwissen und KI-Analyse gewonnen werden, könnten schnellere und genauere Krebsdiagnosen und Bewertungen der wahrscheinlichen Ergebnisse der Patienten ermöglichen. Dies wiederum könnte dazu beitragen, die Überwachung zu verbessern und die Behandlung jedes einzelnen Patienten besser auf ihn abzustimmen.“

Dr. Adalberto Claudio Quiros, wissenschaftlicher Mitarbeiter an der School of Cancer Sciences und School of Computing Science der University of Glasgow, ist einer der Erstautoren des Artikels. Er sagte: „Diese Forschung zeigt das Potenzial, das modernstes maschinelles Lernen hat, um Fortschritte in der Krebsforschung zu erzielen, die erhebliche Vorteile für die Patientenversorgung haben könnten.“

„Diese Art selbstlernender Algorithmus wird immer genauer, wenn zusätzliche Daten hinzugefügt werden, was ihm hilft, die Sprache des Krebses fließender zu beherrschen. Anders als Menschen geht er bei seiner Arbeit nicht mit vorgefassten Ideen an die Sache heran, sodass er in den Datensätzen möglicherweise sogar Muster findet, die zuvor noch nicht vollständig erforscht wurden.

„Letztendlich ist es unser Ziel, Ärzten und Patienten ein Werkzeug an die Hand zu geben, das ihnen zu einem besseren Verständnis ihrer Prognose und Behandlung verhelfen kann.“

Der Artikel des Teams mit dem Titel „Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides“ (Kartierung der Landschaft histomorphologischer Krebsphänotypen mithilfe von selbstüberwachtem Lernen auf unbeschrifteten, unannotierten Pathologie-Objektträgern) wurde veröffentlicht in Naturkommunikation.