Multi-Scale Attention-Enhanced EfficientNet for Automated Gleason Grading of Prostate Cancer

Prostatakrebs ist eine der führenden Todesursachen durch Krebs bei Männern weltweit, und der Weg zu einer effektiven Behandlung beginnt mit einer präzisen Diagnose. Wenn ein Arzt den Verdacht auf die Krankheit hat, wird eine kleine Gewebeprobe entnommen und unter einem Mikroskop untersucht. Um zu bestimmen, wie aggressiv der Krebs ist, weist ein Spezialist, ein Pathologe, einen Score zu, der als Gleason-Grad bekannt ist. Dieser Score ist keine einfache Zahl, sondern eine sorgfältige Bewertung der Anordnung der Krebszellen und dessen Abweichung vom gesunden Gewebe. Je höher der Grad, desto wahrscheinlicher ist es, dass der Krebs schnell streut, was darüber entscheidet, ob ein Patient eine sofortige Operation, Bestrahlung oder eine sorgfältige Beobachtung benötigt. Dieser Prozess ist jedoch zutiefst menschlich und anfällig für Variationen. Verschiedene Pathologen können bei der Betrachtung desselben Objektträgers manchmal unterschiedliche Einschätzungen zum Score haben, und selbst derselbe Experte kann Dinge an einem anderen Tag anders sehen. Diese Inkonsistenz kann dazu führen, dass Patienten eine Behandlung erhalten, die entweder zu aggressiv oder nicht aggressiv genug ist. Seit Jahrzehnten hoffen Wissenschaftler, dass Computer helfen könnten, dieses kritische Urteilsvermögen zu standardisieren, indem sie als zuverlässiges zweites Paar Augen fungieren, das niemals müde wird oder abgelenkt ist.

In einer aktuellen Studie haben Forscher der University of KwaZulu-Natal in Südafrika ein neues Computersystem entwickelt, das darauf ausgelegt ist, diesen Gradierungsprozess mit bemerkenswerter Präzision zu automatisieren. Sie entwickelten ein digitales Werkzeug, das lernt, die subtilen Muster des Prostatakrebses zu erkennen, indem es tausende echte Mikroskopbilder studiert. Das System, das sie MSEACN nannten, basiert auf einer hochentwickelten Grundlage, die die Art und Weise nachahmt, wie das menschliche Gehirn visuelle Informationen verarbeitet. Anstatt ein Bild einfach als Ganzes zu betrachten, wird der Computer angewiesen, das Gewebe gleichzeitig auf verschiedenen Detailstufen zu untersuchen. Er betrachtet die breite Architektur des Gewebes, die Form der Drüsen und die spezifische Anordnung der Zellen, ganz so, wie ein Mensch einen Wald aus der Ferne betrachten könnte, um dessen Layout zu sehen, dann heranzoomt, um einzelne Bäume zu untersuchen, und schließlich die Blätter inspiziert. Durch die Kombination dieser verschiedenen Ansichten baut der Computer ein vollständiges Bild der Gesundheit des Gewebes auf.

Um dies möglich zu machen, begannen die Forscher mit einer massiven Sammlung von über 15.000 digitalisierten Mikroskop-Objektträgern aus dem PANDA-Datensatz, einer öffentlichen Ressource, die Bilder von Prostatabiopsien enthält, die von Experten-Pathologen sorgfältig beschriftet wurden. Bevor der Computer aus diesen Bildern lernen konnte, mussten die Forscher diese vorbereiten. Sie bereinigten die Bilder, um Färbungen und Artefakte zu entfernen, die das System verwirren könnten, um sicherzustellen, dass sich der Computer nur auf die biologischen Strukturen konzentriert, die von Bedeutung sind. Sie passten die Bilder auch auf eine einheitliche Größe an, ein notwendiger Schritt, um den Computer zu ermöglichen, sie effizient zu verarbeiten, ohne die kritischen strukturellen Details zu verlieren, die für die Diagnose erforderlich sind. Sobald die Bilder bereit waren, begann der Computer mit seinem Training, indem er die Muster immer und immer wieder analysierte, um den Unterschied zwischen gesundem Gewebe und Krebs unterschiedlicher Schweregrade zu erlernen.

Der Kern dieses neuen Systems ist eine kluge Kombination aus zwei fortschrittlichen Techniken. Erstens nutzt es einen Multi-Skalen-Ansatz, was bedeutet, dass es das Bild gleichzeitig durch verschiedene „Linsen“ analysiert. Einige Teile des Computers betrachten feine Details, während andere größere Strukturen betrachten. Dies stellt sicher, dass kein wichtiges Merkmal übersehen wird, sei es eine winzige Unregelmäßigkeit in einer Zelle oder eine große Verformung der Drüsenform. Zweitens verwendet das System Aufmerksamkeitsmechanismen (Attention Mechanisms). Man kann sich das so vorstellen, dass der Computer lernt, seinen Blick zu fokussieren. Genau wie ein menschlicher Pathologe den leeren Raum um eine Gewebeprobe herum ignorieren könnte, um sich auf den Krebsbereich zu konzentrieren, lernt dieses System, die wichtigsten Teile des Bildes hervorzuheben und den Hintergrundlärm zu ignorieren. Dieser duale Fokus ermöglicht es dem Computer, sich auf die spezifischen Muster zu konzentrieren, die den Gleason-Grad definieren.

Die Ergebnisse dieses Trainings waren beeindruckend. Als das System mit Bildern getestet wurde, die es noch nie zuvor gesehen hatte, erreichte es eine Genauigkeit von 97,69 Prozent. Das bedeutet, dass der Computer in fast jedem Fall den Grad des Krebses korrekt identifiziert hat. Noch beeindruckender war seine Fähigkeit, gesundes Gewebe korrekt zu identifizieren, mit einer Spezifität von 99,50 Prozent, was bedeutet, dass er selten gesunde Zellen mit Krebs verwechselte. Das System zeigte auch eine sehr hohe Übereinstimmung mit den Experten-Pathologen, die die ursprünglichen Beschriftungen erstellt hatten, und erreichte einen Wert von 0,98 auf einer Skala, bei der 1,0 eine perfekte Übereinstimmung darstellt. In der Welt der medizinischen Gradierung, in der sich menschliche Experten oft untereinander schwer tun, sich einig zu werden, ist dieses Maß an Konsistenz eine bedeutende Errungenschaft. Die Forscher fanden heraus, dass das System besonders gut darin war, die aggressivsten Formen von Krebs zu identifizieren, was entscheidend ist, um sicherzustellen, dass Patienten rechtzeitig behandelt werden.

Die Studie untersuchte auch, was passiert, wenn das System seiner speziellen Merkmale beraubt wird. Als die Forscher die Fähigkeit entfernten, auf mehreren Skalen zu betrachten oder die Aufmerksamkeit zu steuern, sank die Leistung des Systems merklich. Dies bestätigte, dass sowohl die Betrachtung auf mehreren Skalen als auch die Aufmerksamkeitsmechanismen essenziell für die hohe Genauigkeit waren, die sie beobachteten. Das System war in der Lage, zwischen den verschiedenen Krebsgraden, von benignem Gewebe bis hin zu den schwersten Fällen, mit einer Zuverlässigkeit zu unterscheiden, die bisherige Versuche übertraf. Während die Forscher anmerkten, dass die Vereinfachung der Bilder auf eine kleinere Größe möglicherweise zum Verlust einiger mikroskopischer Details geführt haben könnte, erfasste das System dennoch genügend der größeren strukturellen Muster, um hochpräzise Entscheidungen zu treffen.

Trotz dieser Erfolge betonen die Forscher vorsichtig, dass dies ein Schritt nach vorn ist, aber kein Endziel. Das System wurde mit einem spezifischen Satz von Bildern trainiert und getestet, und es bleibt abzuwarten, wie gut es auf Bilder aus verschiedenen Krankenhäusern mit unterschiedlichen Färbetechniken oder Scannern reagieren wird. Die Forscher räumen ein, dass reale medizinische Umgebungen unordentlich und vielfältig sind, und zukünftige Arbeiten müssen das System in verschiedenen Umgebungen testen, um sicherzustellen, dass es robust genug für den täglichen klinischen Einsatz ist. Sie planen auch, Wege zu erforschen, um diese visuelle Analyse mit anderen Arten medizinischer Daten, wie etwa MRT-Scans, zu kombinieren, um ein noch umfassenderes diagnostisches Werkzeug zu schaffen. Vorerst demonstriert die Studie jedoch, dass Computer mit der richtigen Kombination aus Technologie und sorgfältiger Planung lernen können, die subtilen Zeichen einer Krankheit mit einer Konsistenz zu erkennen, die der menschlichen Expertise ebenbürtig ist oder sie in einigen Fällen sogar übertrifft. Dieser Fortschritt bietet einen hoffnungsvollen Weg zur Reduzierung der Variabilität in der Krebsdiagnose und zur Sicherstellung, dass jeder Patient die angemessenste Versorgung auf Basis einer zuverlässigen und standardisierten Bewertung erhält.