Bernstein Netzwerk Computational Neuroscience
  • Home
  • Netzwerk
    • Das Bernstein Netzwerk
    • Bernstein Zentren
      • Berlin
      • Freiburg
      • Göttingen
      • München
      • Tübingen
      • Heidelberg-Mannheim
    • Forschungsinfrastruktur
      • High Performance Simulation and Data Analysis
      • Forschungsdaten-Management
      • Wissenschaftskommunikation
      • Wissenschaftskoordination
    • Preise und Initiativen
      • Valentin Braitenberg Award
      • Brains for Brains Nachwuchspreis
      • Bernstein SmartSteps
    • Gremien des Netzwerks
    • Satzung
    • Mitgliedschaft
    • Historie
    • Spenden
    • Kontakt
  • Newsroom
    • Newsroom
    • Aktuelles
    • Meet the Scientist
    • Veranstaltungen
    • Ausschreibungen
    • Medienecho
    • Presse
    • Publikationen des Netzwerks
    • Bernstein Bulletin
  • Forschung und Lehre
    • Forschung und Lehre
    • Wissenschaftler:innen finden
    • Studienprogramme
      • Masterprogramme
      • Promotionsprogramme
    • Studienangebote
      • Bernstein Student Workshop Series 2023
      • Online Learning
      • Kurse für Fortgeschrittene
      • Praktika und Abschlussarbeiten
    • Ethos des Bernstein Netzwerks
  • Karriere
    • Karriere
    • Stellenangebote
    • Verstärken Sie unser Team
  • Bernstein Conference
    • Bernstein Conference
    • Call for Satellite Workshops
    • General Information
      • Tentative Schedule
      • Past Conferences
    • FAQ
  • DE
  • EN
  • Suche
  • Menü Menü
Sie sind hier: Startseite1 / Newsroom2 / Aktuelles3 / Brustkrebs – TU Berlin und Charité entwickeln KI-basiertes Diagnosesystem
Berlin – 9. März 2021

Brustkrebs – TU Berlin und Charité entwickeln KI-basiertes Diagnosesystem

KI in der Medizin muss erklärbar sein - Analyse-System für die Brustkrebsdiagnose entwickelt

Das Ergebnis des KI-Verfahrens zeigt eine sogenannte Heatmap, die die TiLs in rot markiert. Sonstiges Gewebe/Zellen: blau und grün. © TUB/ Charité

/TUB/ Charité/ Wissenschaftler*innen der TU Berlin und der Charité – Universitätsmedizin Berlin sowie der Universität Oslo haben ein neues Analyse-System für die Brustkrebsdiagnostik anhand von Gewebeschnitten entwickelt, das auf Künstlicher Intelligenz (KI) beruht. Zwei Weiterentwicklungen machen das System einzigartig: Zum einen integriert es erstmals morphologische, molekulare und histologische Daten in einer Auswertung. Zum zweiten liefert es eine Erklärung des KI-Entscheidungsprozesses in Form von sogenannten Heatmaps mit. Diese Heatmaps zeigen Pixel für Pixel welche Bildinformation wie stark zu dem KI-Entscheidungsprozess beigetragen hat. Dadurch können die Mediziner*innen das Ergebnis der KI-Analyse nachvollziehen und auf Plausibilität prüfen. Künstliche Intelligenz wird damit erklärbar – ein entscheidender und unabdingbarer Schritt nach vorn, will man KI-Systeme künftig im Klinik-Alltag zur Unterstützung der Medizin einsetzen. Die Forschungsergebnisse wurden jetzt in Nature Machine Intelligence veröffentlicht.

Krebsmedizin beschäftigt sich zunehmend mit der molekularen Charakterisierung von Tumorgewebeproben. Ermittelt wird dabei unter anderem ob und/oder wie die DNA in dem Tumorgewebe sich verändert hat, die Genexpression oder auch die Protein-Expression in den Gewebeproben. Gleichzeitig setzt sich die Erkenntnis durch, dass die Krebsprogression eng mit der interzellulären Verbindung und der Interaktion der Krebszellen mit dem umgebenden Gewebe – einschließlich des Immunsystems – zusammenhängt.

Bilddaten liefern hohe räumliche Auflösung

Während mikroskopische Techniken die Untersuchung biologischer Prozesse mit hoher räumlicher Auflösung erlauben, können molekulare Marker mikroskopisch nur begrenzt erhoben werden. Sie werden vielmehr anhand von aus Gewebeproben extrahierter Proteine oder DNA ermittelt. Als Folge erlauben sie meist keine räumliche Auflösung und daher ist ihr Zusammenhang mit den mikroskopischen Strukturen typischerweise unklar. „Bei Brustkrebs ist bekannt, dass die Zahl eingewanderter Immunzellen, der sogenannten Lymphozyten, im Tumorgewebe einen Einfluss auf die Prognose der Patientin hat. Zusätzlich wird diskutiert, ob diese Zahl auch einen prädiktiven Wert hat – also Aussagen darüber ermöglicht, wie gut welche Therapie anschlägt“, so Prof. Dr. Frederick Klauschen vom Institut für Pathologie der Charité.

Verbindungsstück zwischen molekularen und histologischen Daten fehlte

„Das Problem: Wir haben gute und belastbare molekulare Daten und gute, räumlich hochaufgelöste histologische Daten. Aber es fehlte bislang die entscheidende Brücke zwischen den Bildgebungsdaten und den hochdimensionalen molekularen Daten“, ergänzt Prof. Dr. Klaus-Robert Müller, Professor für Maschinelles Lernen an der TU Berlin. Die beiden Wissenschaftler kooperieren bereits seit mehreren Jahren unter dem Dach des nationalen KI-Kompetenzzentrums Berlin Institute for the Foundations of Learning and Data (BIFOLD), das an der TU Berlin beheimatet ist.

Ziel ist es, die Tumordiagnostik qualitativ zu verbessern

In dem jetzt veröffentlichten Ansatz gelang genau diese Symbiose. „Unser System ermöglicht die robuste Erkennung von pathologischen Veränderungen in mikroskopischen Bildern. Parallel dazu liefern wir eine präzise Heatmap-Visualisierung, die zeigt, welcher Pixel auf dem mikroskopischen Bild, in welchem Maße zu der Diagnose des Algorithmus beigetragen hat“, erläutert Klaus-Robert Müller. Zusätzlich haben die Wissenschaftler*innen das Verfahren noch einen großen Schritt weiterentwickelt: „Unser Analyse-System wurde mit Hilfe von maschinellen Lernverfahren so trainiert, dass es auch verschiedene molekulare Merkmale, wie zum Beispiel den Zustand der DNA, die Genexpression, oder auch die Protein-Expression in bestimmten Bereichen des Gewebes aus den histologischen Bildern vorhersagen kann.“

Als nächstes stehen die Zertifizierung und weitere klinische Validierungen – inklusive Tests in der Tumor-Routinediagnostik – auf der Agenda. Doch Frederick Klauschen ist überzeugt: „Die von uns entwickelte Methode erlaubt es in Zukunft, die histopathologische Tumordiagnostik präziser, standardisierter und damit auch qualitativ besser zu machen.“

>> originale Pressemitteilung

Originalpublikation

Morphological and molecular breast cancer profiling through explainable machine learning, Nature Machine Intelligence

Brustkrebs – TU Berlin und Charité entwickeln KI-basiertes Diagnosesystem

9. März 2021/in /von Alexandra Stein

Kontakt Aktuelles

Kontakt

Prof. Dr. Klaus-Robert Müller

Fachgebiet Maschinelles Lernen

+49 30 314-78620
klaus-robert.mueller@tu-berlin.de

Prof. Dr. Frederick Klauschen

Charité – Universitätsmedizin Berlin

+49 30 450 536 053
frederick.klauschen@charite.de

Bernstein Netzwerk Computational Neuroscience Logo

Mitglied werden
Satzung
Spenden
Newsletter abonnieren

 

Folgen Sie uns

Mastodon
© 2023 Bernstein Netzwerk Computational Neuroscience
  • Kontakt
  • Impressum
  • Datenschutz
Nach oben scrollen
Cookie-Zustimmung verwalten
Wir verwenden Cookies, um unsere Website und unseren Service zu optimieren.
Funktional Immer aktiv
Der Zugriff oder die technische Speicherung ist unbedingt für den rechtmäßigen Zweck erforderlich, um die Nutzung eines bestimmten Dienstes zu ermöglichen, der vom Abonnenten oder Nutzer ausdrücklich angefordert wurde, oder für den alleinigen Zweck der Übertragung einer Nachricht über ein elektronisches Kommunikationsnetz.
Vorlieben
Die technische Speicherung oder der Zugriff ist für den rechtmäßigen Zweck der Speicherung von Voreinstellungen erforderlich, die nicht vom Abonnenten oder Nutzer beantragt wurden.
Statistiken
Die technische Speicherung oder der Zugriff, der ausschließlich zu statistischen Zwecken erfolgt. Die technische Speicherung oder der Zugriff, der ausschließlich zu anonymen statistischen Zwecken verwendet wird. Ohne eine Aufforderung, die freiwillige Zustimmung Ihres Internetdienstanbieters oder zusätzliche Aufzeichnungen von Dritten können die zu diesem Zweck gespeicherten oder abgerufenen Informationen allein in der Regel nicht zu Ihrer Identifizierung verwendet werden.
Marketing
Die technische Speicherung oder der Zugriff ist erforderlich, um Nutzerprofile zu erstellen, um Werbung zu versenden oder um den Nutzer auf einer Website oder über mehrere Websites hinweg zu ähnlichen Marketingzwecken zu verfolgen.
Optionen verwalten Dienste verwalten Anbieter verwalten Lesen Sie mehr über diese Zwecke
Einstellungen
{title} {title} {title}