Digitale Pathologie

Tumor Budding

© Fraunhofer IIS

Tumor Budding ist ein unabhängiger Prognosefaktor für Lymphknotenmetastasen bei kolorektalen pT1-Karzinomen und ein Indikator für die Überlebensrate bei Darmkrebs in Stadium II1.

Ziel: Automatisertes Scoring

Partner: Gemeinsame Initiative mit dem Pathologischen Institut des Uni-Klinikums Erlangen

Aktueller Status:

  • Entwicklung einer automatisierten Analyse von immunhistochemischen Färbungen (pan-Cytokeratin – PCK) für die
  • Detektion der Tumor-Invasions-Front
  • Erkennen der Tumor Buds
  • Detektion von Hot Spots und Bestimmung von geringem/mittlerem/hohem Budding auf Basis bestimmter Cut-Off-Wert
  • Training des Algorithmus auf 40x PCK gefärbten Whole Slide Images

Datenbank: Über 100 Whole Slide Images mit über 50.000 annotierten Tumor Buds

Unsere Lösung:

  • Detektion von möglichen Tumor Buds mittels klassischer Bildanalyse: Bestimmung von Größe, Farbe und Entfernung von Tumor
  • Aussortieren falsch-positiver Strukturen mittels eines Convolutional Neural Networks, das darauf trainiert ist, Tumor Buds zu klassifizieren  

------------------------------------------------------------------

1Lugli et al, Recommendations for reporting tumor budding in colorectal cancer based on the International Tumor Budding Consensus Conference (ITBCC) 2016

 

Ziel: Unterscheidung verschiedener Gewebetypen und Detektion von Adenokarzinomen in H&E gefärbten Darmgewebeschnitten.

Partner: Gemeinsame Initiative mit dem Pathologische Institut des Uni-Klinikums Erlangen

Aktueller Status:

  • Erstellung einer annotierten Datenbank mit 20x H&E gefärbten Schnitten
  • Training des KI-Models, um relevante Stellen des Whole Slide Images zu klassifizieren
  • Erneutes Scannen der Schnitte mit unterschiedlichen Scannern, um die Datenbank robust gegenüber verschiedener Scanningsystemen zu machen

Datenbank:

  • Über 300 Whole Slide Images mit insgesamt fast 30 Mio. Kacheln (227x227)
  • Verschiedene Gewebeklassen: Tumor, Tumor-Zell-Cluster, Fett, Muskel, Bindegewebe, Blutgefäße, Lymphfollikel

Unsere Lösung:
End-to-End Training des Convolutional Neural Network

Kostengünstige Diagnose von gastro-ösophagealen Tumoren

DigImmune
© Fraunhofer IIS

Ziel: Histologische Bildanalyse – Vergleich von iSTIX gegen Whole-Slide-Scanner

Partner: Gemeinsame Initiative mit der Definiens AG, dem Pathologischen Institut des Uni-Klinikums Erlangen und dem Pathologischen Institut des Klinikum Bayreuth

Aktueller Status:

  • Erstellung einer umfassenden annotierten Datenbank: Daten aus verschiedenen klinischen Zentren, unterschiedliche Scannern und Färbemethoden (7x immunhistochemische und H&E), sowohl von Resektionen als auch von Biopsien

Datenbank: in Bearbeitung

Unsere Lösung:

  • Scannen der Objektträger
  • Scannen der Tumorregionen mit iSTIX
  • Bildanalyse der Whole Slide Images (iSTIX vs. Scanner)

 

"DigImmune (Digitale Diagnostik für die Immuntherapie von Krebspatienten)"

Single Cell Tumor Detektion in Lymphknoten

© Fraunhofer IIS

Ziel: Früherkennung von Krebsmetastasen durch die Detektion einzelner Tumorzellen in Lymphknoten

Partner: Gemeinsame Initiative mit dem Fraunhofer ITEM und Fraunhofer IPA

Aktueller Status:

  • Entwicklung einzelner Komponenten bereits fertiggestellt: Tissue Grinder, Scanning und Bildanalyse, Einzelzell-DNA-Amplifikation, Software für das Labor
  • Evaluation in Bearbeitung

Datenbank: ca. 50 Proben von Melanom und Lungenkrebs

Unsere Lösung:

  • Bisherige Arbeiten der Universität Tübingen und des Fraunhofer ITEM haben gezeigt, dass selbst wenige Krebszellen pro Millionen Lymphozyten einen negativen Einfluss auf die Überlebensrate haben.
  • Das Fraunhofer IPA hat den TissueGrinder entwickelt, um das Lymphknotengewebe in eine Zellsuspension zu überführen.
  •  Immunzytologische Färbung mit Melanom-Markern (gp100)
  • Scannen der Zellsuspension mit der S-Cube Scanning Plattform des Fraunhofer IIS
  • Bildanalyse beim Fraunhofer IIS: Detektion der potentiellen Tumorzellen und Unterscheidung von Tumorzellen und Artefakten mit einem Convolutional Neural Network.
  • Molekulare Analyse der einzelnen Zellen mit einem von Fraunhofer ITEM entwickelten Assays (kommerziell verfügbar: Ampli1TM WGA)

Wir suchen nach Partnern für die Kommerzialisierung

-----------------------------------------------------------------
Weitere Quellen:
1. Ulmer A., et al., Quantitative measurement of melanoma spread in sentinel lymph nodes and survival. PLoS Med, 2014. 11(2): e1001604.
2. Ulmer A., et al., The sentinel lymph node spread determines quantitatively melanoma seeding to non-sentinel lymph nodes and survival. Eur J Cancer, 2018. 91: p. 1-10
3. Werner-Klein M., et al. Genetic alterations driving metastatic colony formation are acquired outside of the primary tumour in melanoma. Nat Commun, 2018. 9(1): p. 595
 

xAI – Erklärbare KI in Digitaler Pathologie

© BMBF

Ziel: Transparente KI Algorithmen in der digitalen Pathologie

Partner: Universität Bamberg (Cognitive Systems, Prof. Dr. Ute Schmid), Fraunhofer HHI

Aktueller Status:

  • Entwicklung und Evaluation von Technologien, die KI- Algorithmen nachvollziehbarer machen

Unsere Lösung:

  • Darstellung der Ergebnisse von Neuronalen Netzen in einfach nachvollziehbarer und transparenter Form
  • Berücksichtigen von Unsicherheiten sowohl aus den annotierten Trainingsdaten als auch aus dem Modell selbst

Gefördert vom Bundesministerium für Bildung und Forschung (BMBF)
Transparent Medical Expert Companion (TraMeExCo)

--------------------------------------------------

Literatur:

Schmid, Wittenberg (2019) TraMeExCo - Medical Expert Companion (Vortrag). All-Hands-Meeting (5. Juni 2019, Dortmund), Förderschwerpunkt Maschinelles Lernen des BMBF. -- [Slides], [Poster]
Rieger, Finzel, Seuß, Wittenberg, Schmid (2019) Make Pain Estimation Transparent: A Roadmap to Fuse Bayesian Deep Learning and Inductive Logic Programming (Poster). 41st Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC, 23.-27. Juli 2019, Berlin)

Entwicklung von robusten KI Systemen für die digitale Pathologie

Ziel:

  • Entwicklung von KI Algorithmen, die robust gegenüber der realen Heterogenität sind: Verschiedenen Scanner, Unterschiede bei den Färbungen, nicht optimale Bildqualität

Aktueller Status:

  • Entwicklung von Algorithmen zur Simulation von Varianzen bei Färbungen
  • Aufbau einer Datenbank von H&E-gefärbten Kolon-Präparaten mit verschiedene Scannern
  • Entwicklung von Prototypical Networks (PN) für Few-Shot Learning, das die Entwicklung neuer Klassifikatoren mit wenigen Daten und Annotationen erlaubt.

Datenbank:

  • In Bearbeitung

Unsere Lösung:

  • Abbilden der realen Heterogenität in Trainingsdatensätzen, bzw. Normalisieren der Daten, damit diese den Charakteristika der Trainingsdaten entsprechen.