Die Arbeitsgruppe „Computational Pathology“ im Dr. Senckenbergischen Institut für Pathologie des Universitätsklinikum Frankfurt unter Leitung von Dr. Nadine Flinner befasst sich mit der Entwicklung und Anwendung von Algorithmen, die Pathologen in der alltäglichen Diagnostik unterstützen sollen. Ihr Fokus liegt hierbei insbesondere auf der computergestützten Bildanalyse von gefärbten Gewebeschnitten, welche die Einschätzung des Pathologen um nicht direkt sichtbare Aspekte ergänzt. Dr. Flinner und ihr Team legen bei der Entwicklung ihrer Algorithmen besonderen Wert auf die Anwendbarkeit im klinischen Alltag, denn viele unter experimentellen Bedingungen entwickelte Anwendungen bestehen den Praxistest am Ende nicht. Mit diesem Problem hat sich der Doktorand Robin Mayer aus Dr. Flinners Arbeitsgruppe näher befasst. Seine Erkenntnisse wurden nun in der Fachzeitschrift „Frontiers in Medicine“ veröffentlicht.
Mayer konnte zusammen mit dem Pathologen Dr. Steffen Gretser zeigen, dass beim Maschinellen Lernen mit hoch qualitativen Datensätzen sehr gute Ergebnisse erzielt werden, die Algorithmen jedoch bei Anwendung auf Daten mit geringerer Qualität Probleme haben. „Wie gut ein Algorithmus letztendlich im Alltag funktioniert, hängt mit der Qualität der Datensätze zusammen, mit denen er trainiert wurde“, weiß Robin Mayer. „Die Trainingsdatensätze aus der Forschung sind meist von hoher Qualität, wohingegen Routinedaten Schwankungen aufweisen können, die zwar die Arbeit des Pathologen nicht beeinträchtigen, jedoch dem Computer Probleme bereiten. Durch ungleichmäßige Färbungen oder unterschiedliche Schnittdicken können Artefakte entstehen, die vom Computer nicht als solche erkannt werden und dann fälschlicherweise in die Analyse miteinbezogen werden.
In der veröffentlichten Arbeit konnten die Wissenschaftlerinnen und Wissenschaftler zeigen, dass das Einbeziehen von Datensätzen mit mittlerer und auch schlechter Qualität in das Training des Algorithmus die spätere Übertragbarkeit in das klinische Setting deutlich verbessern kann. Aus dieser Arbeit heraus entstand zudem eine neue Methode, mit der die Übertragbarkeit der Algorithmen zwischen verschiedenen Datensätzen verbessert werden kann, indem man absichtlich Fehler in das Training einbaut um den Algorithmus anschließend robuster zu machen.
Das Mildred-Scheel-Nachwuchszentrum (MSNZ) Frankfurt fördert neben Clinician Scientists, forschenden Ärztinnen und Ärzten, auch Medical Scientists wie Dr. Nadine Flinner, die als Naturwissenschaftlerin mit ihrer Arbeitsgruppe zeigt, dass translationale Krebsforschung auch digital geht – vom Computer zum Krankenbett und zurück: Sie arbeitet bereits eng mit den Kolleginnen und Kollegen aus der Klinik an der Entwicklung weiterer praxisorientierter Anwendungen zusammen: Ziel dabei ist es, dass die Ärztinnen und Ärzte die Algorithmen direkt im Klinikalltag testen und so wertvolles Feedback geben können, das dann unmittelbar in deren Weiterentwicklung einfließt.
Publikation:
Mayer RS*, Gretser S*, Heckmann LE, Ziegler PK, Walter B, Reis H, Bankov K, Becker S, Triesch J, Wild PJ, Flinner N. How to Learn with Intentional Mistakes: Noisy Ensembles to Overcome Poor Tissue Quality for Deep Learning in Computational pathology. Frontiers in Medicine (2022) https://doi.org/10.3389/fmed.2022.959068
