Machine Learning in der Medizin

Informatik-Absolventen entwickeln KI für Zellanalyse

Uhr
von Simone Lionetti, Hochschule Luzern

Sie schliessen eine wichtige Lücke: Für ihre Bachelorarbeit über KI-gestützte Analyse von Zellformen gewinnen David Staub und Timo Furrer den regionalen Siemens Excellence Award. Machine-Learning-Experte Simone Lionetti zeigt auf, was dahinter steckt.

David Staub (l.) und Timo Furrer erhielten den Siemens Excellence Award für ihre Bachelorarbeit über KI-gestützte Mikroskopie. (Source: Hochschule Luzern/David Staub, Timo Furrer)
David Staub (l.) und Timo Furrer erhielten den Siemens Excellence Award für ihre Bachelorarbeit über KI-gestützte Mikroskopie. (Source: Hochschule Luzern/David Staub, Timo Furrer)

Zellbilder zu analysieren ist alles andere als einfach. Von modernen Mikroskopen aufgezeichnet, braucht es dazu jahrelange Erfahrung. Für wissenschaftliche Studien müssen Fachleute aus dem Medizin- und Biologiebereich solche Aufnahmen oft am Computer nachbearbeiten, was sehr aufwändig ist.

Die Informatik-Absolventen David Staub und Timo Furrer schliessen mit ihrer Bachelorarbeit eine wichtige Lücke in diesem Bereich: Sie entwickelten eine künstliche Intelligenz (KI), welche die Konturen von Zellwänden und -kernen in Differentialinterferenzkontrast-Mikroskopie (DIC) erkennt. Dies erleichtert die manuelle Nachbearbeitung der Aufnahmen erheblich. Mit ihrer Anwendung haben Staub und Furrer den regionalen Excellence Award 2020 von Siemens gewonnen. Sie sind nun für den nationalen Award nominiert, der im Frühjahr 2021 verliehen wird.

Im Video stellen die Absolventen ihre Bachelorarbeit vor:

 

Doch wie lernt ein Computer das Erkennen von Zellen?

DIC-Abbildungen sind meist grau und oft verrauscht. Zellen erscheinen darauf nur als vage Muster. Die Kernidee von David Staubs und Timo Furrers Konzept liegt darin, dass der Computer anhand von Beispielen lernt.

Vergleich einer DIC-Mikroskopie-Abbildung (Input) mit dem Cell-Analyzer-Output. (Source: Hochschule Luzern)

Sie fordern die Maschine auf, einen bestimmten Ausschnitt des Bildes auszuleuchten. Dieser wird dann korrigiert, um dem erwünschten Resultat besser zu entsprechen. Dies geschieht über mehrere Wiederholungen und bei einer Vielzahl von Bildern und das solange, bis das Resultat akzeptabel ist für jeglichen Input. Diese Strategie kann erstaunlich erfolgreich sein, aber auch kläglich scheitern. Nämlich dann, wenn dem Computer zu wenige korrekte Antworten zur Verfügung gestellt werden.

Eine gefärbte Zellprobe, die zum Training der KI benutzt wird. (Source: Hochschule Luzern)

Im Fall des Cell Analyzers waren zwei Faktoren entscheidend für den Erfolg: erstens eine verlässliche und effiziente Art, die Input- und Output-Paare zu generieren. Dies wurde mit Fluoreszenzmikroskopiebildern erreicht, die mehrfache Färbungen auf denselben Zellen aufweisen. Zweitens ist entscheidend, wie die KI angeleitet wird, diese Assoziationen herzustellen.

Der Trick war, von einem Modell auszugehen, welches mithilfe von Millionen alltäglicher Bilder von Katzen, Hunden und Gummienten trainiert worden war. Diese KI hatte bereits eine ausgedehnte Grundschulung in Bildanalyse hinter sich und konnte schon Objekte erkennen.

Der Cell Analyzer imitiert Expertenhandlungen

In vielen Fällen sind selbst ein ausgeklügeltes künstliches neuronales Netz und jede Menge Rechenleistung nicht genug, um eine erfolgreiche KI-Lösung zu bauen. David Staub und Timo Furrer zerlegten einen bereits existierenden Ansatz in seine Komponenten. Daraus lernten sie und liessen den gesamten Trainingsprozess nicht aus den Augen. Sie validierten hochtechnische Zwischenergebnisse, suchten – und fanden – für jedes unerwartete Resultat eine Erklärung.

Dieses sorgfältige Verständnis ist im Endprodukt klar erkennbar. In Fällen, in denen der Cell Analyzer unsicher ist in Bezug auf eine Zelle, berichten menschliche Expertinnen und Experten von ähnlichen Problemen. Dennoch errät die KI in diesen Fällen meist die richtige Antwort.

Während des Trainings der KI wurden weiter kleine Fehlausrichtungen in der Mikroskop-Einstellung sichtbar – eine Aufgabe, von der das menschliche Auge oft überfordert ist. Der Cell Analyzer zeigte ausserdem eine gute Leistung bei Bildern, die in einem stark abweichenden experimentellen Kontext aufgenommen worden waren.

Ansicht der Cell-Analyzer-Web-Applikation: Ein Interface, das Spass macht, ist wichtig, um das Projekt über den Horizont einer akademischen Übung hinaus zu entwickeln. Das Convolutional Neural Network, welches die Kernaufgabe übernimmt, wurde dazu in eine Webanwendung (ResNet Mask-RCNN) eingebettet. (Source: Hochschule Luzern)

Erste Mission: Zellen analysieren in der Schwerelosigkeit

Die Cell-Analyzer-Anwendung wurde primär entwickelt, um biologische Experimente in der Schwerelosigkeit zu unterstützen. Diese werden vom schweizerischen Support-Zentrum BIOTESC der Hochschule Luzern für die Europäische Weltraumorganisation ESA durchgeführt.

Wie wirkt die Schwerkraft auf menschliche Zellen?

 

Die Experimente erforschen Effekte auf Zellen für zwei parallele Zwecke: Einerseits kann man die medizinischen Folgen von Raumfahrtmissionen auf Astronautinnen und Astronauten besser verstehen. Anderseits wird auch ein tieferes Verständnis der biologische Prozesse auf der Erde geschaffen. Die Cell-Analyzer-Anwendung soll nach einer Pilotphase für weitere Kreise der Bevölkerung zugänglich gemacht werden mit dem Ziel, biomedizinische Analysen massiv zu verbessern.

 

Über den Autor: Simone Lionetti ist Senior wissenschaftlicher Mitarbeiter im Algorithmic Business Research Lab. Er hat in theoretischer Physik promoviert und forscht heute im Bereich Machine Learning mit Schwerpunkt auf medizinischen Anwendungen. Er hat die Bachelorarbeit von David Staub und Timo Furrer betreut.

 

Dieser Beitrag ist zuerst auf dem Informatik-Blog der Hochschule Luzern erschienen.

Webcode
DPF8_213165