LungColonCancerPred-NN: A Neural Network Approach for Lung and Colon Histopathology Prediction

Jedes Jahr werden Millionen von Menschen mit Krebs diagnostiziert, und zwei der häufigsten und tödlichsten Formen betreffen die Lunge und den Darm. Wenn ein Arzt diese Krankheiten vermutet, verlässt er sich auf einen Pathologen, der winzige Gewebeschnitte unter einem Mikroskop untersucht. Diese Schnitte werden mit speziellen Farbstoffen angefärbt, die Zellkerne violett und andere Teile rosa färben und so eine komplexe Karte der mikroskopischen Architektur des Körpers erstellen. Die Aufgabe des Pathologen besteht darin, diese Karte zu lesen, zwischen gesundem Gewebe und Krebs zu unterscheiden und dann genau zu identifizieren, um welche Art von Krebs es sich handelt. Dies ist eine entscheidende Aufgabe, da die Behandlung einer Art von Lungenkrebs oft anders ist als die einer anderen, und der Unterschied zwischen einem gutartigen Wachstum und einem bösartigen bestimmt, ob ein Patient eine Operation oder eine Chemotherapie benötigt. Dieser Prozess ist jedoch langsam, schwierig und hängt vollständig von der Verfügbarkeit hochqualifizierter menschlicher Experten ab.

Seit Jahren versuchen Wissenschaftler, Computern das Lesen dieser mikroskopischen Karten beizubringen, in der Hoffnung, ein Werkzeug zu schaffen, das Ärzte unterstützen oder sogar unabhängig arbeiten kann. Sie verwenden große Sammlungen digitaler Bilder, um diese Computerprogramme, bekannt als neuronale Netze, darauf zu trainieren, Muster zu erkennen. Aber es gibt eine versteckte Falle in der Art und Weise, wie diese Sammlungen oft aufgebaut sind. Viele der für das Training verwendeten Bilder sind keine einzigartigen Fotografien verschiedener Patienten. Stattdessen werden sie erstellt, indem ein einziges Originalbild digital gedreht, gespiegelt oder leicht verschoben wird, um viele neue Versionen zu erzeugen. Wenn ein Computerprogramm auf ein Bild getestet wird, das lediglich eine gespiegelte Version eines Bildes ist, das es bereits während des Trainings gesehen hat, könnte es die Antwort richtig geben, nicht weil es die Krankheit versteht, sondern schlichtweg, weil es das Bild wiederkennt. Dieser Fehler, bekannt als Data Leakage (Datenleckage), hat es schwierig gemacht zu wissen, ob diese Computerprogramme wirklich lernen, Krebs zu diagnostizieren, oder ob sie nur den Test auswendig lernen.

Ein Forschungsteam der Mohammed-V.-Universität in Marokko hat dieses Problem nun direkt angegangen. Sie entwickelten ein neues Computersystem namens LungColonCancerPred-NN und testeten es mit einer viel strengeren Methode als bisher verwendet. Anstatt die Bilder zufällig zu mischen, gruppierten sie diese sorgfältig nach ihrer ursprünglichen Quelle. Sie begannen mit zwei großen öffentlichen Sammlungen von Gewebebildern, die insgesamt 4Jedes Jahr werden Millionen von Menschen mit Krebs diagnostiziert, und zwei der häufigsten und tödlichsten Formen betreffen die Lunge und den Darm. Wenn ein Arzt diese Krankheiten vermutet, verlässt er sich auf einen Pathologen, der winzige Gewebeschnitte unter einem Mikroskop untersucht. Diese Schnitte werden mit speziellen Farbstoffen angefärbt, die Zellkerne violett und andere Teile rosa färben und so eine komplexe Karte der mikroskopischen Architektur des Körpers erstellen. Die Aufgabe des Pathologen besteht darin, diese Karte zu lesen, zwischen gesundem Gewebe und Krebs zu unterscheiden und dann genau zu identifizieren, um welche Art von Krebs es sich handelt. Dies ist eine entscheidende Aufgabe, da die Behandlung einer Art von Lungenkrebs oft anders ist als die einer anderen, und der Unterschied zwischen einem gutartigen Wachstum und einem bösartigen eines bestimmt, ob ein Patient eine Operation oder eine Chemotherapie benötigt. Dieser Prozess ist jedoch langsam, schwierig und hängt vollständig von der Verfügbarkeit hochqualifizierter menschlicher Experten ab.

Seit Jahren versuchen Wissenschaftler, Computern das Lesen dieser mikroskopischen Karten beizubringen, in der Hoffnung, ein Werkzeug zu schaffen, das Ärzte unterstützen oder sogar unabhängig arbeiten kann. Sie verwenden große Sammlungen digitaler Bilder, um diese Computerprogramme, bekannt als neuronale Netze, darauf zu trainieren, Muster zu erkennen. Aber es gibt eine versteckte Falle in der Art und Weise, wie diese Sammlungen oft aufgebaut sind. Viele der für das Training verwendeten Bilder sind keine einzigartigen Fotografien verschiedener Patienten. Stattdessen werden sie erstellt, indem ein einziges Originalbild digital gedreht, gespiegelt oder leicht verschoben wird, um viele neue Versionen zu erzeugen. Wenn ein Computerprogramm auf ein Bild getestet wird, das lediglich eine gespiegelte Version eines Bildes ist, das es bereits während des Trainings gesehen hat, könnte es die Antwort richtig geben, nicht weil es die Krankheit versteht, sondern schlichtweg, weil es das Bild wiederkennt. Dieser Fehler, bekannt als Data Leakage, hat es schwierig gemacht zu wissen, ob diese Computerprogramme wirklich lernen, Krebs zu diagnostizieren, oder ob sie nur den Test auswendig lernen.

Ein Forschungsteam der Mohammed-V.-Universität in Marokko hat dieses Problem nun direkt angegangen. Sie entwickelten ein neues Computersystem namens LungColonCancerPred-NN und testeten es mit einer viel strengeren Methode als bisher verwendet. Anstatt die Bilder zufällig zu mischen, gruppierten sie diese sorgfältig nach ihrer ursprünglichen Quelle. Sie begannen mit zwei großen öffentlichen Sammlungen von Gewebebildern, die insgesamt 40.000 Dateien umfassten. Zuerst entfernten sie tausende exakte Duplikate, bei denen dieselbe digitale Datei doppelt vorhanden war. Dann suchten sie nach den „Familien“ von Bildern, die von derselben ursprünglichen Patientenprobe stammten. Mithilfe eines intelligenten Systems, das versteht, wie Bilder gleich aussehen, selbst wenn sie gedreht oder gespiegelt sind, gruppierten sie alle verwandten Bilder zusammen. Sie stellten dann sicher, dass keine Gruppe verwandter Bilder zwischen dem Trainingsdatensatz und dem Testdatensatz aufgeteilt wurde. Dies bedeutete, dass der Computer lernen musste, die Krankheit von Grund auf zu erkennen, ohne während seines Trainings jemals eine nahezu identische Kopie der Testbilder gesehen zu haben.

Das von ihnen gebaute Computersystem ist überraschend kompakt und enthält etwa 5,8 Millionen einstellbare Parameter, was klein genug ist, um auf einer Standard-Grafikkarte zu laufen. Es arbeitet, indem es die Gewebebilder gleichzeitig durch drei verschiedene „Linsen“ betrachtet. Eine Linse konzentriert sich auf die allgemeine Textur und Farbe der Zellen, ähnlich wie ein menschliches Auge, das nach allgemeinen Mustern scannt. Eine zweite Linse sucht nach spezifischen Formen und Zellgruppen, die einander ähnlich sind, selbst wenn sie weit voneinander entfernt im Bild liegen, was es dem System ermöglicht, verstreute Teile eines Tumors miteinander zu verbinden. Die dritte Linse achtet auf die exakte Position jeder einzelnen Zelle und versteht, wie das Gewebe im Raum organisiert ist. Ein spezieller Mechanismus gewichtet dann die Informationen aus allen drei Linsen für jedes Bild und entscheidet, welche Ansicht am wichtigsten ist, bevor eine endgültige Entscheidung getroffen wird.

Als die Forscher dieses System an 5.497 Bildern testeten, die es zuvor noch nie gesehen hatte, waren die Ergebnisse bemerkenswert genau. Der Computer identifizierte den Gewebetyp in 99,25 % der Fälle korrekt. Viel wichtiger noch: Er machte nie den gefährlichsten Fehler, nämlich gesundes Gewebe als krebsartig einzustufen. Er machte zwar einige Fehler, diese bestanden jedoch hauptsächlich darin, zwei spezifische Arten von Lungenkrebs miteinander zu verwechseln – eine Herausforderung, vor der selbst menschliche Pathologen manchmal stehen und die zusätzliche Tests erfordert. Das System identifizierte auch in fast jedem Fall korrekt, aus welchem Organ das Gewebe stammte. Im Vergleich zu anderen jüngst getesteten Computerprogrammen auf demselben Datensatz schnitt dieses neue System besser ab, obwohl es ein schwierigeres Problem löste, indem es fünf verschiedene Gewebearten statt nur drei unterschied.

Der Erfolg dieser Arbeit liegt nicht nur in der hohen Genauigkeit, sondern in der Art und Weise, wie der Test konzipiert wurde. Indem sie sicherstellten, dass die Testbilder tatsächlich neu und nicht bloß Kopien der Trainingsdaten waren, bewiesen die Forscher, dass ihr System tatsächlich gelernt hat, die biologischen Merkmale von Krebs zu erkennen. Sie fanden heraus, dass die Zuversicht des Computers bei seinen Antworten gut kalibriert war, was bedeutet, dass er wusste, wann er sich unsicher war. Dieser Ansatz bietet einen klareren Weg für die Entwicklung künstlicher Intelligenz in der Medizin und zeigt, dass diese Werkzeuge mit sorgfältiger Prüfung über einfaches Musterabgleichen hinausgehen und zu zuverlässigen Assistenten für Ärzte werden können. Die Forscher planen, ihr System an einem völlig anderen Satz von Bildern aus einem anderen Krankenhaus zu testen, um zu sehen, ob es mit realen Variationen umgehen kann – ein entscheidender Schritt, bevor eine solche Technologie jemals eingesetzt werden könnte, um Patienten zu helfen.