Malen nach Zahlen: Algorithmus rekonstruiert Prozesse aus Einzelbildern

For­scher am Helm­holtz Zen­trum Mün­chen haben eine neue Metho­de ent­wi­ckelt, um anhand von Bild­da­ten fort­lau­fen­de bio­lo­gi­sche Vor­gän­ge, bei­spiels­wei­se Krank­heits­ver­läu­fe, zu rekon­stru­ie­ren. Die Stu­die erschien in ‚Natu­re Com­mu­ni­ca­ti­ons‘.

Die moder­nen Lebens­wis­sen­schaf­ten lie­fern in immer kür­ze­rer Zeit eine stets grö­ßer wer­den­de Men­ge an Daten. Sie beherrsch- und aus­wert­bar zu machen, ist das Ziel von Dr. Dr. Alex­an­der Wolf und sei­nen Kol­le­gen am Insti­tu­te of Com­pu­ta­tio­nal Bio­lo­gy (ICB) des Helm­holtz Zen­trums Mün­chen. Dazu ver­su­chen die For­scher, Soft­ware zu pro­gram­mie­ren, die die­se Aus­wer­tung über­nimmt. Aller­dings tun sich dabei ver­schie­de­ne Hür­den auf.

In der aktu­el­len Stu­die haben wir uns mit der Fra­ge­stel­lung befasst, wie ein Algo­rith­mus ein­zel­ne Bil­der in einen kon­ti­nu­ier­li­chen Pro­zess ein­ord­nen kann“, erklärt Stu­di­en­lei­ter Wolf. „So war es bis­her zwar mög­lich, Bild­in­for­ma­ti­on nach klar abge­grenz­ten Kate­go­ri­en zu klas­si­fi­zie­ren, bei Krank­heits­ver­läu­fen oder in der Ent­wick­lungs­bio­lo­gie stößt das aber an Gren­zen, weil die Pro­zes­se kei­ne Ein­zel­schrit­te son­dern eben fort­lau­fend sind.“

Um dem Rech­nung zu tra­gen, bedien­te sich das Helm­holtz-Team der Metho­de des soge­nann­ten Deep Learning*, also maschi­nel­len Lern­pro­zes­sen. „Über künst­li­che neu­ro­na­le Net­ze kön­nen wir nun Ein­zel­bil­der zu Pro­zes­sen zusam­men­rech­nen und sie zudem für den Men­schen nach­voll­zieh­bar abbil­den“, sagen Phil­ipp Eulen­berg und Niklas Köh­ler, ehe­ma­li­ge Mas­ter­stu­den­ten am ICB und Erst­au­to­ren der Stu­die.

Blut­zel­len und Netz­häu­te als Spar­rings­part­ner

Um die Leis­tungs­fä­hig­keit der Metho­de zu demons­trie­ren, wähl­ten die Wis­sen­schaft­ler zwei Bei­spie­le. Im ers­ten Ansatz rekon­stru­ier­te die Soft­ware den kon­ti­nu­ier­li­chen Zell­zy­klus von wei­ßen Blut­zel­len anhand von Bil­dern aus einem bild­ge­ben­den Durch­fluss­zy­to­me­ter mit einem Fluo­res­zenz­mi­kro­skop. „Ein wei­te­rer Vor­teil die­ser Betrach­tung liegt dar­in, dass unse­re Soft­ware so schnell ist, dass man die Ent­wick­lung der Zel­len qua­si ‚on-the-fly‘, also noch wäh­rend der Ana­ly­se im Zyto­me­ter abbil­den kann“, erklärt Wolf. „Dar­über hin­aus macht unse­re Soft­ware sechs­mal weni­ger Feh­ler als bis­he­ri­ge Ansät­ze.“

Im zwei­ten Expe­ri­ment rekon­stru­ier­ten die For­scher den Krank­heits­ver­lauf einer dia­be­ti­schen Reti­no­pa­thie.** „Dazu gaben wir unse­rer Soft­ware 30.000 ein­zel­ne Bil­der von Netz­häu­ten – sozu­sa­gen als Spar­rings­part­ner“, erklärt Köh­ler. „Dadurch, dass sie die Daten auto­ma­tisch zu einem kon­ti­nu­ier­li­chen Pro­zess zusam­men­fügt, erlaubt uns die Soft­ware, eine Vor­her­sa­ge für den Krank­heits­ver­lauf auf einer kon­ti­nu­ier­li­chen Ska­la zu tref­fen.“

Und soll­ten die Daten nicht in einen fort­lau­fen­den bio­lo­gi­schen Pro­zess gehö­ren? „In einem sol­chen Fall erkennt die Soft­ware, dass es sich um unge­ord­ne­te Ein­zel­ka­te­go­ri­en han­delt und ver­teilt die Mess­da­ten auf ein­zel­ne Clus­ter“, so Wolf. Neben wei­te­ren Anwen­dun­gen der Metho­de wol­len Wolf und sei­ne Kol­le­gen in Zukunft wei­te­re Pro­ble­me bei der Aus­wer­tung bio­lo­gi­scher Daten mit Hil­fe von maschi­nel­lem Ler­nen lösen.

Wei­te­re Infor­ma­tio­nen

* Algo­rith­men des Deep Learning simu­lie­ren Lern­pro­zes­se, wie sie beim Men­schen vor­kom­men (neu­ro­na­le Net­ze) – in etwa so wie ein Kind lernt, Gesich­ter zu erken­nen oder Tie­re zu unter­schei­den. Das Prin­zip funk­tio­niert beson­ders gut, wenn gro­ße Daten­men­gen (Big Data) zum Trai­ning ver­füg­bar sind. Eine der Stär­ken von Deep Learning ist die Bil­der­ken­nung. Zwi­schen der Ein­ga­be und der Aus­ga­be sind hier mehr Ent­schei­dungs­ebe­nen (lay­ers) zwi­schen­ge­schal­tet als sonst bei neu­ro­na­len Net­zen üblich, daher der Begriff der Tie­fe.

** Dia­be­ti­sche Reti­no­pa­thie ist die Haupt­ur­sa­che für den frü­hen Ver­lust des Augen­lichts in der west­li­chen Welt. Die Dia­gno­se erfolgt nor­ma­ler­wei­se durch Fach­per­so­nal, was die vier Sta­di­en gesund, mild, mit­tel und schwer zuord­net. Die Soft­ware konn­te anhand von 8000 Bil­dern den Ver­lauf bezie­hungs­wei­se die zuneh­men­de Schwe­re der Krank­heit beschrei­ben, ohne dass sie Infor­ma­tio­nen zur Ord­nungs­fol­ge bekom­men hat­te.

Hin­ter­grund:
Das Team und Alex Wolf konn­te erst kürz­lich einen der vor­de­ren Plät­ze beim Data Sci­ence Bowl bele­gen, einem der welt­weit höchst­do­tier­ten Wett­be­wer­be zum The­ma Big Data. In ihrem Bei­trag hat­te das Team einen Algo­rith­mus pro­gram­miert, der bin­nen weni­ger Mil­li­se­kun­den Lun­gen­krebs auf Basis von 300 Schich­ten eines drei­di­men­sio­na­len Com­pu­ter­to­mo­gra­phie (CT)-Scans erkennt – ein Vor­gang für den ein Radio­lo­ge im schlech­tes­ten Fall meh­re­re Stun­den benö­ti­gen wür­de.

Das ICB befasst sich auch in ande­ren Zusam­men­hän­gen mit dem The­ma Deep Learning: Kürz­lich stell­ten die Wis­sen­schaft­ler in ‚Natu­re Methods‘ einen Algo­rith­mus vor, der die Ent­wick­lung von Blut­stamm­zel­len vor­aus­be­rech­nen kann. Im Video „Deep Learning Pre­dicts Stem Cell Deve­lop­ment“ erklä­ren sie, wie das funk­tio­niert. https://​www​.you​tube​.com/​w​a​t​c​h​?​v​=​n​Z​4​6​-​f​i​8​O​F​4​&​a​m​p​;​f​e​a​t​u​r​e​=​y​o​u​t​u​.be

Ori­gi­nal-Publi­ka­ti­on:
Eulen­berg, P. et al. (2017): Recon­struc­ting cell cycle and disea­se pro­gres­si­on using deep learning. Natu­re Com­mu­ni­ca­ti­ons, DOI: 10.1038/s41467-017–00623-3 https://www.nature.com/articles/s41467-017–00623-3

Mehr anzeigen
Anzeige

Verwandte Artikel

Close