Robuste und akkurate multi Tumor, multi Species, multi Labor

Neoplasien sind eine der häufigsten Todesursache bei Menschen und Tieren. Die Entscheidung einer angemessenen Therapie beruht unter anderem auf der histologischen Untersuchung der Tumorproben unter Erfassung verschiedener prognostischer Parameter. Eines der relevantesten histologischen Parameter für die Beurteilung der Prognose von Tumoren ist die Anzahl der Mitosefiguren (Mitotic Count) im Tumorpräparat. In den letzten Jahren haben Computer-assistierte Messmethoden unter Verwendung der künstlichen Intelligenz an großem Interesse gewonnen, da diese fähig sind die Reproduzierbarkeit und die Genauigkeit der Messungen zu verbessern. Allerdings sind die KI-Algorithmen sehr stark abhängig von den Daten, mit denen sie trainiert wurden. Aktuelle Datensatze beinhalten nicht die notwendige Variabilität (hinsichtlich der Tumortypen, der Scanner, der Färbungen und Gewebequalität), sodass eine breite Anwendung dieser Algorithmen in den diagnostischen Laboren derzeit nicht möglich ist. Unterschiede der Bildeigenschaften (sogenannter Domain shift) zwischen Laboren erzeugen einen relevanten Einbruch der Leistung der KI-Algorithmen und somit ist eine sichere Anwendung Laborübergreifend nicht möglich. Dieses Forschungsprojekt hat das primäre Ziel einen großen Datensatz für Mitosefiguren in histologischen Tumorpräparaten herzustellen, welche eine große Anzahl verschiedener Domains, d.h. Tumortypen, Spezies (Mensch und Tiere) sowie Labore, beinhalten soll. Dabei werden innovative 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. Diese Daten ermöglicht es uns einen Algorithmus zu entwickeln und zu validieren, der im diagnostischen Arbeitsfluss von zahlreichen Laboren eingesetzt werden kann und somit die Behandlungsentscheidung von Tumorpatienten verbessern soll. Der entwickelte Datensatz wird öffentlich zugänglich gemacht, was eine Weiternutzung von Forschern und Diagnostiklaboren ermöglicht. Die entstanden Daten werde auch aus Grundlage für eine Lernplattform für Pathologen dienen, welche praktische Übungsmöglichkeiten zur sachgemäße Mitoseerkennung und Verwendung von Bildanalysealgorithmen als Entscheidungshilfe bei der histologischen Bewertung von Tumorproben bereitstellen soll. Abschließend werden wir die entwickelten Algorithmen umfangreich validieren und die Vorteile und potentielle Gefahren für die prognostische computer-assistierte Entscheidungsfindung untersuchen.