Robuste und Akkurate Multi-Tumor, Multi-Spezies, Multi-Labor und Multi-Scanner Mitoseerkennung mittels großer Datensätze und Künstlicher Intelligenz (mu RoMi)

Neoplasien sind eine der häufigsten Todesursachen bei Menschen und Tieren. Die Entscheidung einer angemessenen Therapie beruht unter anderem auf der histologischen Untersuchung der Tumorproben unter Erfassung verschiedener prognostischer Parameter. Einer der relevantesten histologischen Parameter für die Beurteilung der Prognose von Tumoren ist die Anzahl der Mitosefiguren (Mitotic Count) im Tumorpräparat. Allerdings haben verschiedene Studien gezeigt, dass die manuelle Messung durch einen Pathologen mit einer hohen inter- und intra-observer Variabilität verbunden ist. Daher haben in den letzten Jahren computerisierte Messmethoden unter Verwendung der künstlichen Intelligenz (vor allem Deep Learning-basierte Ansätze) an großem Interesse gewonnen. Bereits in verschiedenen eigenen Studien konnten wir zeigen, wie genau und reproduzierbar (im Vergleich zum Pathologen) Algorithmen sein können, wenn adäquate Datensätze zum Trainieren der Modelle verwendet werden. Allerdings extrahieren diese Deep Learning-basierten Modelle die relevanten Eigenschaften der gesuchten Muster anhand der Trainingsdaten und die „Entscheidungskriterien“ der Algorithmen sind oft sehr spezifisch für den Trainingsdatensatz. Da digitale Bilder von histologischen Tumorpräparaten oft eine sehr große Varianz in den Bildeigenschaften („Domains“) aufweisen (zum Beispiel basierend auf dem untersuchten Tumortyp, dem angewendeten Färbeprotokoll und dem verwendeten Scanner zur Digitalisierung der Proben) sind Algorithmen zumeist nicht für Datensätze verschiedener Domains anwendbar, wenn diese Domains nicht während des Trainings berücksichtigt wurden, aufgrund des sogenannten „Domain shifts“. Die Folge ist, dass Algorithmen, welche mit großem Zeitaufwand hergestellt werden müssen, nicht in verschiedenen Laboren, für verschiedene Tumortypen und möglicherweise verschiedene Spezies angewendet werden können.
 

Dieses Forschungsprojekt hat das primäre Ziel einen großen Datensatz für Mitosefiguren in histologischen Tumorpräparaten herzustellen, welche eine große Anzahl verschiedener Domains beinhalten soll. Dabei werden etablierte Methoden der Datenbankgenerierung verwendet, welche eine maximale Qualität der Labels und einen effizienten Arbeitsablauf ermöglichen, um eine möglichst große Anzahl an Proben in die Datenbank einzubinden. Ein grundlegender Ansatz ist, unter anderem, die Kombination von immunhistochemischen Färbungen (mit Antikörpern gegen Phosphohistone H3) als Entscheidungshilfe für Mitosefiguren in routinemäßig histologische Färbemethoden (Hämalaun und Eosin). Dieser Datensatz soll Wissenschaftlern und diagnostischen Laboren als Referenzkorpus für die Entwicklung von Algorithmen dienen. Weiterhin ist es ein Ziel des Forschungsprojektes methodische Ansätze zu finden, welche die Übertragbarkeit der Algorithmen zwischen den zahlreichen Domains verbessert. Wir wollen somit eine breite Anwendbarkeit der Algorithmen (als Computer-assistierte Prognose) ermöglichen. Abschließend soll eine Lernplattform für Pathologen entwickelt werden, welche praktische Übungsmöglichkeiten zur sachgemäßen Mitoseerkennung und Verwendung von Bildanalysealgorithmen als Entscheidungshilfe bei der histologischen Bewertung von Tumorproben bereitstellen soll.

Mitarbeiter:innen:
Ass.-Prof. Dr. Christof Bertram
 

Kooperationspartner:
Prof. Dr. Marc Aubreville
Prof. Dr. Robert Klopfleisch 
Ing. Christopher Kaltenecker, PhD
MedUni Wien - Digitale Pathologie

Projektdauer : 01.04.2024 - 31.04.2027

Finanzierung:
Österreichischer Wissenschaftsfonds (FWF) mit der Projektnummer: I 6555