Künstliche Intelligenz in der medizinischen Forschung: Krebserkennung dank Tierdaten und Algorithmen
In der medizinischen Forschung sind große Mengen an qualitätsgesicherten Daten von entscheidender Bedeutung. Besonders interessant sind hierbei die medizinischen Forschungsdaten und der Zugang zu Gesundheitsdaten. Doch müssen diese Daten zwingend von Menschen stammen? Nicht unbedingt! Künstliche Intelligenz kann auch mithilfe von Tierdaten trainiert werden, um beispielsweise Krebs bei Tieren und Menschen zu erkennen – und das ganz ohne Tierversuche.
Für die Forschung müssen nicht immer gezielt Primärdaten gesammelt werden. Auch Sekundärdaten, die routinemäßig bei der Diagnostik und Versorgung anfallen, können für die Forschung genutzt werden. Ein gutes Beispiel hierfür ist die algorithmische Unterstützung in der Pathologie. Professor Marc Aubreville von der Technischen Hochschule Ingolstadt beschäftigt sich seit 2016 damit, KI-Modelle in der Histopathologie mit ausschließlich Routine-Diagnostikdaten, die vorwiegend von Haustieren wie Hunden und Katzen stammen, zu trainieren.
Trotz der Unterschiede zwischen Tieren und Menschen gibt es auf zellulärer Ebene erstaunliche Parallelen. Deshalb ist es wichtig, mit repräsentativen Daten zu arbeiten, um letztendlich lebenden Wesen zu helfen. In Situationen, in denen eine hohe biologische Ähnlichkeit besteht, können Ergebnisse von Tieren auf Menschen übertragen werden und umgekehrt. Untersuchungen haben gezeigt, dass KI-Modelle, die mit Tierdaten trainiert wurden, auch bei menschlichem Gewebe gute Ergebnisse erzielen können. So konnte beispielsweise ein Algorithmus, der auf Hunde-Brustkrebs trainiert wurde, erfolgreich zur Erkennung von Zellteilungen in menschlichem Brustkrebsgewebe eingesetzt werden.
Neben der Radiologie kann KI auch bei anderen bildgebenden Verfahren zur Krebserkennung unterstützen. In der Histopathologie erfolgt die zuverlässige Diagnose von Tumorerkrankungen durch die detaillierte Untersuchung von Gewebe- und Zellproben unter dem Mikroskop. Die Pathologen suchen dabei nach ungewöhnlichen Merkmalen und Mustern, die für bestimmte Krankheitsbilder charakteristisch sind.
Die Analyse einer Probe kann mehrere Tage bis Wochen dauern. Wenn der Verdacht auf Krebs besteht, wird die Mitoseaktivität auf Zellebene untersucht. Die Mitose bezeichnet den Prozess der Zellteilung. Eine gesteigerte Mitoserate kann auf unkontrolliertes Zellwachstum und Tumorwachstum hinweisen. Pathologen haben verschiedene Verfahren, um die Mitoseaktivität zu beurteilen. Sie quantifizieren die Mitosezellen und bestimmen das Verhältnis zur Gesamtzahl der Zellen. Um die Aggressivität des Tumors genauer zu bestimmen, wird der Mitotic Index berechnet, der die Anzahl der Mitosezellen pro Volumeneinheit des Tumorgewebes angibt.
Die Identifizierung und Quantifizierung von Mitosezellen kann aufgrund ihrer komplexen Morphologie schwierig sein und zu unterschiedlichen Bewertungen zwischen Pathologen führen. Hier kommt künstliche Intelligenz ins Spiel. Algorithmen können Pathologen dabei unterstützen, Merkmale von Mitosezellen automatisch zu erkennen, zu zählen und visuell darzustellen. Dafür werden Gewebeschnitte, die auf einem Objektträger befestigt sind, zuerst digitalisiert. Anschließend können Algorithmen die Merkmale von Mitosezellen in den digitalisierten Gewebeschnitten erkennen und für den Pathologen sichtbar machen.
Die Verwendung von Tierdaten in der medizinischen Forschung bietet somit eine vielversprechende Alternative zu Primärdaten. Künstliche Intelligenz kann Pathologen dabei helfen, ihre Diagnosen schneller, präziser und effizienter zu machen. Damit trägt sie zur Verbesserung der Behandlung von Krebserkrankungen bei. Es ist faszinierend zu sehen, wie KI-Modelle auf Grundlage von Tierdaten auch bei der menschlichen Medizin eingesetzt werden können. Die weitere Entwicklung und Nutzung von Künstlicher Intelligenz in der medizinischen Forschung verspricht spannende Fortschritte und neue Erkenntnisse.
Schlagwörter: MF + Marc Aubreville + KI
Wie bewerten Sie den Schreibstil des Artikels?