Neues Bildgebungsverfahren rückt Schilddrüsenkrebs in „neues Licht“

Ein neues, nicht invasives Bildgebungsverfahren misst die Autofluoreszenz des Gewebes. Kombiniert mit Künstlicher Intelligenz (KI) könnte dieser Ansatz die präzise Lokalisation von Schilddrüsenkarzinomen in Echtzeit ermöglichen – direkt im OP-Saal.

Die Unterscheidung zwischen Krebs- und gesundem Gewebe in Echtzeit ist bei der chirurgischen Entfernung von Schilddrüsentumoren eine Herausforderung. Aktuell basieren Diagnose und Beurteilung der Resektionsränder auf der Feinnadelpunktion und der klassischen Pathologie. Diese Methoden sind zwar präzise, ​​aber langsam. Sie liefern mitunter keine eindeutigen Ergebnisse und bieten keine Echtzeit-Unterstützung im Operationssaal. So werden Patienten unter Umständen unnötigerweise wegen gutartiger Knoten operiert oder benötigen zusätzliche Eingriffe, wenn Krebsgewebe übersehen wird.

Unteschiedliche Autofluoreszenz im Gewebe

Das Dynamic Optical Contrast Imaging (DOCI) bietet eine grundlegend andere Methode zur Gewebeuntersuchung. Anstatt Farbstoffe oder Kontrastmittel zu verwenden, wird mittels DOCI die natürliche Autofluoreszenz des Gewebes gemessen. Gesundes und entartetes Gewebe leuchten unterschiedlich – und erzeugen so optische Signaturen, die erfasst und analysiert werden können. Jeder DOCI-Scan sammelt Informationen aus 23 verschiedenen optischen Kanälen über ein weites Sichtfeld und erzeugt so eine detaillierte spektrale Karte der Gewebebiologie in frisch entnommenen Proben.

Ein Forschungsteam der Duke University und University of California, beide USA, kombinierte DOCI mit maschinellem Lernen, um diese komplexen optischen Signale in klinisch relevante Erkenntnisse zu übersetzen. Erstautor Tyler Vasse entwickelte ein zweistufiges KI-Analyse-Framework. Die klinische Implementierung und Anwendung der DOCI-Technologie erfolgte durch Co-Erstautor Yazeed Alhiyari und das Team von Korrespondenzautorin Maie St. John.

KI ermöglicht Klassifizierung anhand von einfachen Scans

In der ersten Stufe nutzten die Forschenden ein einfaches, interpretierbares Modell des maschinellen Lernens, um jede Probe einer von drei Kategorien zuzuordnen: gesundes Schilddrüsengewebe, follikuläres Schilddrüsenkarzinom oder papilläres Schilddrüsenkarzinom. Die beiden letztgenannten stellen die häufigsten differenzierten Schilddrüsenmalignome dar.

Durch die Reduktion der 23 optischen DOCI-Kanäle auf wenige Schlüsselmerkmale klassifizierte das System die Proben präzise über diese Kategorien hinweg. In einem unabhängigen Testdatensatz erreichte es damit eine Genauigkeit von 100 Prozent. Bemerkenswerterweise identifizierte das Modell auch Proben des hochaggressiven anaplastischen Subtyps korrekt als krebsartig und demonstrierte damit eine breite Sensitivität gegenüber malignem Gewebe.

Präzisere Lokalisation des Tumors in Echtzeit?

Die zweite Phase befasste sich mit einer entscheidenden chirurgischen Frage: Wo genau befindet sich der Tumor? Um dies zu beantworten, kamen Deep-Learning-Modelle auf Basis einer U-Net-Architektur zum Einsatz. Diese ist darauf ausgelegt, spezifische Regionen in medizinischen Bilddaten zu identifizieren und abzubilden. Mit diesem Ansatz visualisierten die Modelle die Wahrscheinlichkeiten für die Tumoren und hoben entartete Regionen präzise hervor. Besonders gute Ergebnisse wurden bei papillären Schilddrüsenkarzinomen erzielt. Die Rate falsch positiver Befunde in gesundem Gewebe war insgesamt sehr niedrig.

Obwohl in der aktuellen Studie das Gewebe unmittelbar nach der Entnahme analysiert wurde, deuten die Ergebnisse darauf hin, dass Chirurgen mit diesem Ansatz auch während Operationen eine schnelle, labelfreie Bildgebung anwenden könnten. Durch die Kombination der Geschwindigkeit optischer Bildgebung mit der Leistungsfähigkeit von KI hat DOCI das Potenzial, die Behandlungsergebnisse für Patienten mit Schilddrüsenkrebs zu verbessern. Denn die Technologie könnte Unsicherheiten im Operationssaal reduzieren, unnötige Operationen verhindern und gesundes Gewebe schonen. (mkl/BIERMANN)