Auch kleinere Labore können profitieren

Leukämie: KI hilft bei der Diagnose

Ob eine Krebserkrankungen des Lymphsystems vorliegt, stellt sich durch eine Analyse von Proben aus dem Blut oder Knochenmark heraus. Ein Team der Uni Bonn hatte bereits 2020 gezeigt, dass künstliche Intelligenz (KI) bei der Diagnose solcher Lymphome und Leukämien helfen kann. Nun können auch kleinere Labore davon profitieren.

Haarzell-Leukämie

Haarzell-Leukämie, wie sie die KI sieht | Max Zhao

Die Lymphknoten schwellen an, das Gewicht schwindet und zur Müdigkeit kommen Fieberschübe und Infekte hinzu – das sind typische Symptome von bösartigen B-Zell-Lymphomen und den damit verwandten Leukämien. Wenn der Verdacht besteht, dass es sich um eine solche Krebserkrankung des Lymphsystems handelt, entnimmt der Arzt eine Probe aus Blut oder Knochenmark und schickt sie an spezialisierte Labore. Dort kommt die Durchflusszytometrie zum Einsatz. Dabei handelt es sich um ein Verfahren, bei dem die Blutzellen mit hoher Geschwindigkeit an Mess-Sensoren vorbeifließen. Je nach Form, Struktur oder Färbung können die Eigenschaften der Zellen erfasst werden. Der Nachweis und die genaue Charakterisierung krankhafter Zellen ist wichtig in der Diagnosefindung.

Große Datenmengen erzeugt

Die Labore nutzen Antikörper, die an die Oberfläche der Zellen andocken und an Fluoreszenzfarbstoffe gekoppelt sind. Mit solchen Markern lassen sich auch kleine Unterschiede zwischen den Krebszellen und gesunden Blutzellen erfassen. Die Durchflusszytometrie erzeugt große Datenmengen. Im Durchschnitt werden mehr als 50.000 Zellen pro Probe vermessen. Diese Daten werden dann üblicherweise am Bildschirm analysiert, indem die Expression der verwendeten Marker gegeneinander aufgetragen wird. „Bei 20 Markern müsste der Arzt aber bereits etwa 150 zweidimensionale Bilder vergleichen”, sagt Prof. Dr. Peter Krawitz vom Institut für Genomische Statistik und Bioinformatik des Universitätsklinikums Bonn. „Deshalb ist es meist zu aufwendig, den gesamten Datensatz gründlich zu sichten.”

Ergebnis der KI-Auswertungen ist ein Diagnosevorschlag

Krawitz hat deshalb zusammen mit den Bioinformatikern Nanditha Mallesh und Max Zhao untersucht, wie sich künstliche Intelligenz (KI) für die Auswertung der Zytometriedaten einsetzen lässt. Das Team berücksichtige mehr als 30.000 Datensätze von Patienten mit B-Zell-Lymphomen, um die KI zu trainieren. „Die KI nutzt die Daten in vollem Umfang und steigert die Geschwindigkeit und die Objektivität der Diagnosen”, sagt Erstautorin Nanditha Mallesh. Das Ergebnis der KI-Auswertungen ist ein Diagnosevorschlag, der noch vom Arzt überprüft werden muss. Dabei gebe die KI Hinweise auf auffällige Zellen.

Kleinere Labore können davon profitieren

Die Blutproben und Zytometerdaten stammen von dem Münchner Leukämielabor (MLL), der Charité – Universitätsmedizin Berlin, dem Universitätsklinikum Erlangen und dem Universitätsklinikum Bonn. Spezialisten dieser Institutionen prüften die Ergebnisse der künstlichen Intelligenz. „Goldstandard ist die Diagnose durch Hämatologen, in der auch Ergebnisse zusätzlicher Untersuchungen berücksichtigt werden können”, sagt Krawitz. „Es geht beim Einsatz der KI nicht darum, Ärzte zu ersetzen, sondern die in den Daten enthaltene Information bestmöglich auszuschöpfen.” Die große Neuerung der jetzt vorgestellten KI liege in der Möglichkeit des Wissenstransfers: Insbesondere kleinere Labore, die sich keine eigene bioinformatische Expertise leisten können und vielleicht auch zu wenig Proben haben, um selbst eine KI von Grund auf neu zu entwickeln, könnten davon profitieren. Nach kurzer Trainingsphase, bei der die KI die Besonderheiten des neuen Labors kennenlernt, könne dann auf das aus vielen tausend Datensätzen abgeleitete Wissen zurückgegriffen werden.

Rohdaten und die komplette Software sind Open Source

Alle Rohdaten und die komplette Software sind Open Source und damit frei zugänglich. Die an der Studie beteiligte res mechanica GmbH habe darüber hinaus einen Web Service entwickelt, der die künstliche Intelligenz auch für Anwender ohne bioinformatische Expertise nutzbar mache. „Mit hema.to wollen wir den Austausch von anonymisierten Durchflusszytometrie-Daten zwischen den Laboren ermöglichen und damit die Voraussetzungen für noch höhere Qualität in der Diagnostik schaffen”, sagt Dr. Hannes Lüling von res mechanica.

Großes Potenzial der Technologie?

Das Team sieht sehr großes Potenzial in dieser Technologie. Die Forschenden möchten deshalb auch mit großen Herstellern von Analyse-Geräten und -Software zusammenarbeiten, um den Einsatz von künstlicher Intelligenz weiter voranzutreiben. Bei B-Zell-Lymphomen werden etwa auch noch genetische und zytomorphologische Daten erhoben, um die Diagnosen abzusichern. „Wenn es uns gelingt, KI auch für diese Methoden einzusetzen, dann hätten wir ein noch leistungsfähigeres Tool”, sagt Krawitz der auch Mitglied im Exzellenzcluster ImmunoSensation2 der Universität Bonn ist. Auch für Diagnosen von rheumatischen Erkrankungen, die häufig auch auf durchflusszytometrischen Daten beruhen, sei der Einsatz von der entwickelten künstlicher Intelligenz prinzipiell möglich.

Die Erstautorin Nanditha Mallesh wird die Ergebnisse der Studie Anfang Oktober bei der Jahrestagung der Deutschen Gesellschaft für Hämatologie und Medizinische Onkologie in Berlin vorstellen.

 

Literatur:

Nanditha Mallesh, Max Zhao, Lisa Meintker, et al.: Knowledge transfer to enhance the performance of deep learning models for automated classification of B-cell neoplasms, Patterns, DOI:
doi.org/10.1016/j.patter.2021.100351.


Quelle: idw/Rheinische Friedrich-Wilhelms-Universität Bonn