Künstliche Intelligenz beschleunigt die Diagnose von Hirntumoren

Computer werden zunehmende darauf „trainiert“, in Zellen und Geweben verborgene Krankheitsmuster zu erkennen. US-amerikanische Forscher haben nun eine weitere Anwendung der künstlichen Intelligenz (KI) entwickelt: Noch während der Patient auf dem Operationstisch liegt, erhalten Neurochirurgen schnell und in Echtzeit Informationen darüber, welche Art von Hirntumor vorliegt.

Die Forscher um Daniel Orringer, NYU Langone Health, New York, USA, und Todd Hollon, University of Michigan, Ann Arbor, USA, nutzten in ihrer Studie die Stimulated Raman Histology (SRH), die es ermöglicht, detaillierte Bilder einer Gewebeprobe ohne die üblichen Verarbeitungsschritte im pathologischen Labor zu erzeugen.

Bei der SRH-Technik wird Laserlicht schnell durch eine Gewebeprobe gelenkt, das es einem angeschlossenen faseroptischen Mikroskop erlaubt, die zellulären und strukturellen Details innerhalb der Probe zu erfassen. Dabei werden feine Unterschiede in der Art und Weise dargestellt, wie Lipide, Proteine und Nukleinsäuren unter der Lichteinwirkung schwingen.

Mithilfe eines virtuellen Färbungsprogramms werden dann die feinen Strukturdetails Pixel für Pixel eingefärbt. Das Ergebnis ist ein hochauflösendes, detailreiches Bild, wie man es von einem Pathologielabor erwarten kann, ohne dass das Färben von Zellen, das Einfärben von Objektträgern und die anderen zeitaufwendigen Bearbeitungsverfahren notwendig werden.

Um die SRH-Bilder zu interpretieren, griffen die Forscher auf Computer und maschinelles Lernen zurück. Das Team trainierte den Computer darauf, Gewebeproben in eine von 13 Kategorien einzuordnen, die in einer Hirntumorprobe häufig vorkommen. Zu diesen Kategorien gehörten die häufigsten Hirntumore: bösartiges Gliom, Lymphom, metastatische Tumore und Meningiom. Das Training basierte auf mehr als 2,5 Millionen Bildern, die Proben von 415 Patienten repräsentieren.

Um die Sicherheit des Verfahrens zu prüfen, ließen die Forscher 278 Hirngewebeproben jeweils von einem konventionellen Pathologielabor und nach SRH vom Computer auswerten. Dieser lieferte in etwa 95 Prozent der Fälle die richtige Diagnose. Im Vergleich dazu lag die Genauigkeit der konventionellen Pathologie bei 94 Prozent.

Interessanterweise stellte der Computer in allen 17 Fällen eine korrekte Diagnose, in denen der Pathologe falsch lag. Umgekehrt stellte der Pathologe in allen 14 Fällen, in denen der Computer einen Fehler gemacht hatte, die richtige Diagnose.

Die Ergebnisse zeigten, dass die Kombination von SRH und KI dazu verwendet werden könne, Echtzeit-Vorhersagen über die Hirntumordiagnose eines Patienten zu treffen, um so die chirurgische Entscheidung zu beeinflussen, erklärten die Forscher. Dies kann besonders in den Fällen wichtig sein, in denen es schwierig ist, einen kompetenten Neuropathologen zu finden.

Darüber hinaus sind die Forscher optimistisch, dass die KI noch mehr nützliche Informationen über die zugrunde liegenden molekularen Veränderungen eines Tumors liefern könne, was die Diagnose noch präziser mache.

Originalpublikation:
Hollon TC et al.: Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks.
Nat Med.2020 ;26(1):52–58.