Als häufigster bösartiger Hirntumor geht das Glioblastom mit schlechten Prognosen einher. Das liegt vor allem an seiner heterogenen Zusammensetzung, die eine Therapieresistenz oder ein Rezidiv begünstigt. Je genauer man das heterogene Gewebe durch mikroskopische Diagnostik bestimmen kann, desto erfolgsversprechender sind die Behandlungsaussichten – allerdings gestaltet sich die Analyse der histopathologischen Bilder als langwieriger, komplexer und kostspieliger Prozess, für den es bislang kein standardisiertes Verfahren gibt.
Eine Lösung bietet das Maschinelle Lernen, mit dessen Hilfe sich diese Bilder schnell und präzise bestimmen lassen können. Um Algorithmen entsprechend zu trainieren, sind jedoch zum einen viele Datensätze in hoher Qualität nötig, zum anderen müssen Expertinnen und Experten die Aufnahmen vorab in Tumor- und Nicht-Tumor-Gewebe unterteilen.
Eyetracking macht das menschliche Analyseverhalten sichtbar
Ein am Institut DigiHealth entwickeltes Machine-Learning-Modell für die Diagnose von Glioblastomen kann Tumorgewebe bereits mit einer Genauigkeit von bis zu 85% von tumorfreiem Gewebe unterscheiden. Die Forschungsprofessoren Prof. Dr. Johannes Schobel und Prof. Dr. Walter Swoboda wollen diese Quote im Rahmen des Projekts EXPLAINER nun noch weiter erhöhen – und zwar durch Eyetracking.
„In Gesprächen mit Neuropathologinnen und Neuropathologen hat sich gezeigt, dass sie ihre Entscheidungsfindung in der Analyse von histopathologischen Bildern – Tumorgewebe ja oder nein? – nur schwer in Worte fassen können. Die Indikatoren für diese Entscheidung können je nach Expertin oder Experte unterschiedlich sein“, erklärt Prof. Dr. Johannes Schobel, Leiter des Projekts. „Per Eyetracking-Verfahren möchten wir dieses implizite Expertenwissen nun sichtbar machen und es für die Entwicklung unserer Machine-Learning-Modelle nutzen.“
Im Fokus: Pupillenbewegungen, Fixationspunkte und Verweildauer
Das heißt: Im Rahmen einer Studie werden Expertinnen und Experten, darunter sowohl Fachärztinnen und -ärzte als auch Medizinstudierende, von Eyetrackern begleitet, während sie die Aufnahmen von Tumorgewebe und tumorfreiem Gewebe betrachten. Auf diese Weise können Pupillenbewegungen verfolgt, Fixationspunkte ausgewertet und die Verweildauer auf Bildbereichen berechnet werden. Im Anschluss werden die Ergebnisse dieses Verfahrens mit den Ergebnissen des bestehenden Machine-Learning-Modells verglichen und fließen in dessen Optimierung ein. Durch die Integration der Ergebnisse in ein medizinisches Bildarchivierungssystem (Picture Archiving and Communication System; PACS) kann zusätzlich – neben dem Modell zur Klassifikation von Gewebe – ein neues Modell trainiert werden, das sich der Markierung auffälliger Bereiche, sogenannter Areas of Interest, widmet.
Zusammenspiel von Mensch und Maschine: Mehrwert für den klinischen Alltag
Gemeinsam mit Praxispartner BS Bucher Systemlösungen GmbH & Co. KG wollen die HNU-Forscher mit EXPLAINER einen Mehrwert für die Forschung, den klinischen Alltag und die Wissensvermittlung schaffen. „Mit seinen innovativen Machine-Learning-Ansätzen leistet Projekt einen erheblichen Beitrag für die Einführung einer Standardisierung in der Bewertung von histopathologischen Bilddaten“, sagt Prof. Dr. Johannes Schobel. „Diese bietet Fachärztinnen und -ärzten Unterstützung in ihrer alltäglichen diagnostischen Arbeit, kommt aber auch Medizinstudierenden in ihrer Ausbildung zugute.“
Zur Förderung
Das Projekt EXPLAINER wird im Rahmen der Förderrichtlinie „Forschung an Fachhochschulen in Kooperation mit Unternehmen (FH-Kooperativ)“ mit einer Laufzeit von drei Jahren durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Ansprechpartner
Prof. Dr. Johannes Schobel, Forschungsprofessor im Bereich Digitale Medizin und Pflege
