KI in der Medizin Neuronale Netze analysieren sekundenschnell einen Ganzkörperscan

Forscher der TU München haben mithilfe einer Künstlichen Intelligenz die Ganzkörperscans von Mäusen innerhalb von wenigen Sekunden ausgewertet. Von der Software soll vor allem die Grundlagenforschung profitieren.

Künstliche Intelligenz (KI) in der Medizin bietet den großen Vorteil, einen Arzt oder das klinische Personal zu unterstützen. Große Datenmengen müssen nicht mehr manuell abgeglichen werden, was auch mit möglichen Fehlern verbunden sein kann. Das übernimmt ein selbstlernender Algorithmus.

Innerhalb von wenigen Sekunden lässt sich beispielsweise ein Ganzkörperscan einer Maus auswerten. Die Organe werden statt in verschiedenen Schattierungen von Grau zu segmentieren, komplett in Farbe dargestellt.

„Die Auswertung von dreidimensionalen bildgebenden Verfahren ist sehr aufwendig“, erklärt Oliver Schoppe. Zusammen mit einem interdisziplinären Forschungsteam hat der TUM-Forscher jetzt selbstlernenden Algorithmen entwickelt, die künftig bei der Analyse biowissenschaftlicher Bilddaten helfen können. Die Wissenschaftler werden von einer speziellen Software unterstützt: AIMOS. Das Akronym steht für AI-based Mouse Organ Segmentation. Kern sind künstliche neuronale Netze. Sie sind wie das menschliche Gehirn lernfähig.

Neuronale Netze lernen schnell

„Früher mussten wir einem Computerprogramm genau sagen, was sie tun sollen“, erläutert Schoppe. „Neuronale Netze brauchen solche Vorgaben nicht mehr: Es genügt sie zu trainieren, indem man mehrmals eine Problemstellung und eine Lösung präsentiert. Die Algorithmen erkennen nach und nach die Muster und finden dann selbst die richtigen Lösungen.“

Innerhalb des Projekts AIMOS haben die Wissenschaftler die Algorithmen mithilfe von Mäusebildern trainiert. Ziel war es, die Bildpunkte aus 3D-Ganzkörperscans bestimmten Organen – beispielsweise Magen, Niere, Leber, Milz oder Gehirn – zuzuordnen. Auf Grund dieser Zuordnung kann das Programm dann die genaue Lage und Form darstellen.

Zugriff auf hunderte Bilddatensätze

„Glücklicherweise hatten wir Zugriff auf mehrere hundert Bilddatensätzen von Mäusen aus einem anderen Forschungsprojekt, die alle bereits von zwei Biologen interpretiert worden waren“, erinnert sich Schoppe. Hinzu kamen fluoreszenzmikroskopische 3D-Scans vom Institut für Tissue Engineering and Regenerative Medicine am Helmholtz Zentrum München.

Den Forschern war es mit einer speziellen Technik gelungen, bereits verstorbene Mäuse vollständig zu entfärben. Die transparenten Körper konnten Punkt für Punkt und Schicht für Schicht mit einem Mikroskop abgerastert werden. Die Abstände zwischen den Messpunkten betrugen dabei nur sechs Mikrometer – das entspricht der Größe einer Zelle. Auch in diesen Datensätzen hatten Biologen die Organe lokalisiert.

Zehn Ganzkörperscans sekundenschnell auswerten

Am TranslaTUM präsentierten die Informatiker diese Daten ihren neuen Algorithmen. Diese lernten schneller als erwartet, berichtet Schoppe: „Wir haben nur etwa zehn Ganzkörperscans gebraucht, dann konnte die Software die Analyse der Bilddaten allein bewerkstelligen – und zwar innerhalb von Sekunden. Ein Mensch braucht dafür Stunden.“ Die Zuverlässigkeit der Künstlichen Intelligenz überprüfte das Team anschließend anhand von 200 weiteren Ganzkörper-Scans von Mäusen.

„Das Ergebnis zeigt, dass selbstlernende Algorithmen bei der Auswertung biologischer Bilddaten nicht nur schneller, sondern auch treffsicherer sind als der Mensch“, resümiert Prof. Bjoern Menze, Leiter der Image-Based Biomedical Modeling Group am TranslaTUM der Technischen Universität München TUM.

Eingesetzt werden soll die Software künftig vor allem in der Grundlagenforschung: „Bildaufnahmen von Mäusen werden dringend benötigt, beispielsweise um die Wirkweise von neuen Medikamenten zu untersuchen, bevor sie beim Menschen zum Einsatz kommen. Die Auswertung von Bilddaten mit selbstlernenden Algorithmen kann künftig viel Zeit sparen“, betont Menze abschließend.

(ID:47051319)