Automated Classification of AML and Multiple Myeloma from Blood Smear Whole Slide Images using Deep Neural Networks

In der stillen, hochriskanten Welt der medizinischen Diagnostik verlassen sich Pathologen oft auf das grundlegendste verfügbare Werkzeug: das Mikroskop. Wenn ein Patient Symptome von Blutkrebs zeigt, nimmt ein Arzt einen winzigen Tropfen Blut, streicht ihn auf einen Objektträger aus Glas und färbt ihn mit farbigen Farbstoffen ein, um die verborgene Architektur der Zellen offenzulegen. Zwei besonders aggressive Formen von Blutkrebs, die akute myeloische Leukämie und das Multiple Myelom, hinterlassen deutliche Fingerabdrücke in diesen zellulären Landschaften. Jahrzehntelang waren geschulte menschliche Augen der Goldstandard beim Lesen dieser Präparate, wobei sie subtile Unterschiede in Zellform und -anordnung identifizierten, die auf eine Erkrankung hindeuten. Die moderne Medizin hat jedoch begonnen, diesen Prozess zu digitalisieren, indem sie massive, hochauflösende digitale Bilder ganzer Objektträger erstellt. Diese digitalen Dateien sind so groß, dass sie in Gigapixel gemessen werden und Millionen winziger Details enthalten, die herkömmliche Computerprogramme überfordern. Die Herausforderung für Wissenschaftler bestand darin, Computern beizubringen, das zu sehen, was ein menschlicher Pathologe in diesen riesigen Dateien sieht, ohne sich in der schieren Datenmenge zu verlieren oder einen Menschen zu benötigen, der jede einzelne Zelle manuell markiert.

Ein Forschungsteam der Lewis University hat einen neuen Weg entwickelt, um dieses Problem zu lösen, indem es ein System erschuf, das automatisch zwischen akuter myeloischer Leukämie und Multiplem Myelom aus diesen massiven digitalen Blutpräparaten ohne menschliche Hilfe unterscheiden kann. Anstatt zu versuchen, das gesamte riesige Bild auf einmal zu analysieren, was zu viel für einen Computer wäre, zerlegte das Team das Problem in kleinere, handhabbare Teile. Sie behandelten den digitalen Objektträger wie ein riesiges Mosaik und zerschnitten ihn in tausende winzige quadratische Kacheln. Der erste Schritt bestand darin, dem Computer beizubringen, die leeren Räume zu ignorieren. Genau wie ein Mensch die leeren weißen Ränder einer Seite ignorieren würde, um sich auf den Text zu konzentrieren, verwendeten die Forscher einen mathematischen Filter, um die Kanten der Objekte innerhalb des Bildes hervorzuheben. Dieser Filter, bekannt als Sobel-Kantendetektor, wirkt wie ein Textmarker, der die Umrisse von Zellen und Geweben nachzeichnet, während er den leeren Hintergrund und die dunklen Ränder des Objektträgers ausblendet.

Nachdem der Computer identifiziert hatte, welche Kacheln tatsächlich biologisches Material enthielten, nutzte er eine Clustering-Methode, um die nützlichen Kacheln von den nutzlosen zu trennen. Dieser Prozess ähnelt dem Sortieren eines gemischten Beutels voller Murmeln nach Farben, ohne jemals gesagt bekommen zu haben, was die Farben sind; der Computer betrachtete die Muster der Kanten in jeder Kachel und gruppierte sie nach Ähnlichkeit. Dieser unüberwachte Ansatz ermöglichte es dem System, Kacheln, die nur aus leerem Hintergrund oder Bildartefakten bestanden, automatisch auszusortieren, sodass eine saubere Sammlung von Kacheln mit zellulären Strukturen zurückblieb. Aus dem ursprünglichen Satz von vierunddreißig digitalen Objektträgern lieferte dieser Filterprozess fast 385.000 informative Kacheln mit Zellen, während über 154.000 Kacheln, die keinen diagnostischen Wert boten, verworfen wurden.

Mit einer kuratierten Sammlung dieser zellulären Kacheln wandten sich die Forscher dann einem leistungsstarken Werkzeug namens Transfer Learning zu, um dem Computer beizubringen, die beiden Krankheiten voneinander zu unterscheiden. Sie verwendeten ein bereits existierendes Deep-Learning-Modell, das ursprünglich auf Millionen alltäglicher Fotografien von Katzen, Hunden und Autos trainiert worden war, und passten es an, um auf Blutzellen zu blicken. Da der Computer bereits gelernt hatte, komplexe Formen, Texturen und Muster aus seinem Training mit allgemeinen Bildern zu erkennen, konnte er sich schnell an die spezifische Aufgabe der Identifizierung von Blutkrebszellen anpassen, ohne eine massive Datenbank mit beschrifteten medizinischen Bildern zu benötigen. Die Forscher speisten die ausgewählten Kacheln in dieses System ein, welches tiefe, verborgene Merkmale aus den Bildern extrahierte und sie an ein maßgeschneidertes neuronales Netzwerk weiterleitete, das für die endgültige Entscheidung konzipiert war. Dieses Netzwerk lernte, die subtilen morphologischen Unterschiede zwischen den beiden Arten von Krebs zu erkennen, und wurde effektiv zu einem Experten-Klassifikator.

Die Ergebnisse dieser automatisierten Pipeline waren bemerkenswert präzise. Bei Tests an einem Satz von Kacheln, die das System noch nie zuvor gesehen hatte, identifizierte das System die Art des Krebses in fast neunundneunzig Prozent der Fälle korrekt. Es war äußerst effektiv darin, die Krankheit zu erkennen, wenn sie vorhanden war, und ebenso gut darin, die Abwesenheit zu bestätigen, wodurch das Risiko von Fehlalarmen minimiert wurde. Um sicherzustellen, dass der Computer nicht nur rät, verwendeten die Forscher eine Visualisierungstechnik, die genau hervorhob, auf welche Teile des Bildes das Modell schaute, wenn es seine Entscheidung traf. Diese visuellen Karten zeigten, dass sich das System auf die tatsächlichen zellulären Strukturen konzentrierte – genau jene Merkmale, die ein menschlicher Pathologe untersuchen würde – und nicht auf zufälliges Rauschen oder irrelevante Teile des Objektträgers.

Diese Arbeit zeigt, dass es möglich ist, ein hochpräzises diagnostisches Werkzeug für Blutkrebs mithilfe eines vollautomatisierten Prozesses zu entwickeln, der keine manuelle Kennzeichnung von Bildern durch Ärzte erfordert. Durch die Kombination von Kantendetektion zur Findung der Zellen, Clustering zur Bereinigung der Daten und Transfer Learning zur Extraktion der Merkmale schufen die Forscher eine Pipeline, die viele bestehende Methoden übertrifft, die auf älteren, weniger hochentwickelten Techniken beruhen. Die Studie legt nahe, dass selbst mit einer relativ geringen Anzahl von Patientenproben eine hohe diagnostische Genauigkeit erreicht werden kann, wenn die Daten korrekt verarbeitet werden. Die Autoren weisen jedoch vorsichtig darauf hin, dass dieses System dazu dient, medizinische Fachkräfte zu unterstützen, und nicht sie zu ersetzen. Das aktuelle Modell wurde anhand von Kacheln trainiert und getestet, die aus demselben Satz von Objektträgern stammten, was bedeutet, dass es noch nicht an völlig neuen Patienten aus anderen Krankenhäusern oder mit anderen Färbemethoden erprobt wurde. Während die Technologie großes Potenzial für die Zukunft der digitalen Pathologie zeigt, betonen die Forscher, dass weitere Tests an unabhängigen Patientengruppen notwendig sind, bevor ein solches Werkzeug in einem echten klinischen Umfeld zur Unterstützung von Behandlungsentscheidungen eingesetzt werden kann.