Publikationsdatenbank

Erforschung und Validierung der digitalen Mikroskopie und automatisierten Bildanalysen für die Diagnostik und Lehre in der Veterinärpathologie und -zytologie (2022)

Art

Hochschulschrift

Autor

Bertram, Christof Albert (WE 12)

Quelle

Gießen: DVG Service GmbH, 2022 — XXII, 161 Seiten

ISBN: 978-3-86345-612-2

Verweise

URL (Volltext): https://refubium.fu-berlin.de/handle/fub188/33056

Kontakt

Institut für Tierpathologie

Robert-von-Ostertag-Str. 15
14163 Berlin
+49 30 838 62450
pathologie@vetmed.fu-berlin.de

Abstract / Zusammenfassung

Moderne Whole-Slide-Image (WSI) Scanner sind in der Lage eine Digitalisierung von gesamten mikroskopischen Gewebeproben mit hoher Auflösung durchzuführen und ermöglichen somit eine breite Anwendung der digitalen Pathologie für die Diagnostik, Lehre und Forschung. Die Betrachtung des WSI am Bildschirm durch einen Menschen (digitale Mikroskopie) findet bereits routinemäßige Anwendung für die Untersuchung von Gewebeproben in Laboren und in der Ausbildung von (Tier-)Medizinstudierenden unter anderem aufgrund einer verbesserten Arbeits- beziehungsweise Lernflexibilität. Hingegen werden automatisierte Analysen von WSIs durch Computersoftware (automatisierte Bildanalyse) bisher vorwiegend in Forschungsinstitutionen eingesetzt, obwohl Bildanalysealgorithmen unter Verwendung von künstlicher Intelligenz – insbesondere Deep Learning – auch für die Diagnostik ein sehr großes Potential haben, die Effizienz, Reproduzierbarkeit und Genauigkeit der Befunde zu verbessern. Allerdings lagen vor meinem PhD-Projekt unzureichende Erkenntnisse für die Tiermedizin hinsichtlich der diagnostischen Sicherheit der digitalen Mikroskopie, des Meinungsbildes von Studierenden in Abhängigkeit vom Erfahrungslevel und der Anwendungsmöglichkeiten der automatisierten Bildanalyse für diagnostische Fragestellungen in der Histopathologie und Zytologie vor. Daher haben sich die eigenen Untersuchungen mit einem breiten Anwendungsspektrum der digitalen Pathologie für die Veterinärpathologie und -zytologie beschäftigt: 1) Validierung der digitalen Mikroskopie für die Diagnose von Hauttumoren des Hundes, 2) Erfassung des Meinungsbildes von Studierenden drei verschiedener Jahrgangsstufen und 3) Entwicklung und Evaluation von Bildanalysesoftware unter Verwendung von Deep Learning für die Objekterkennung von histologischen Prognoseparametern in kaninen Tumoren sowie von verschiedenen Zelltypen in zytologischen Präparaten von Lungenspülproben des Pferdes. Unsere Validierungsstudie war die erste für die Tierpathologie. Wir konnten zeigen, dass die Untersuchung von diversen kaninen Hauttumoren mittels der digitalen Mikroskopie nicht unterlegen ist im Vergleich zu der Untersuchung mittels der Lichtmikroskopie. Allerdings wurde in der Tumorgruppe der Rundzelltumore und dem Tumorgrading der Mastzelltumore eine geringfügig niedrigere Konkordanzrate für die digitale Mikroskopie festgestellt. Die durchschnittliche Zeit für die Diagnosestellung war hingegen signifikant kürzer mittels digitaler Mikroskopie. Zusätzliche Validierungsstudien für weitere Anwendungsgebiete sind notwendig, um eine generelle Aussage über die diagnostische Sicherheit der digitalen Mikroskopie treffen zu können. Die eigene Meinungsumfrage über die Anwendung der digitalen Mikroskopie im Histopathologie-Curriculum hat erstmals das Meinungsbild der Studierenden aus drei aufeinanderfolgenden Jahrgängen erfasst. Unabhängig vom Semester wurde die digitale Mikroskopie als sehr positiv für das Selbststudium und als Demonstrationstool in Vorlesungen bewertet. Allerdings ergaben sich Unterschiede im Meinungsbild hinsichtlich der größten Nachteile: Studierende aus den früheren Semestern befürchteten vor allem eine mangelnde Ausbildung in der Lichtmikroskopie, während Studierende aus dem höchsten Semester vorwiegend eine unzureichende Ladegeschwindigkeit der WSIs (bedingt durch eine unzureichende Internetverbindung) kritisierten. Die digitale Mikroskopie ist ein geschätztes Instrument für die Histopathologieausbildung von Tiermedizinstudierenden aller Jahrgangsstufen mit bestehenden technischen Limitationen. Allerdings wird das Erlernen der Lichtmikroskopie weiterhin als wichtiger Bestandteil des Curriculums angesehen. Die eigenen Deep learning-basierten Bildanalysealgorithmen, die zusammen mit Forschern der Friedrich-Alexander-Universität Erlangen-Nürnberg und der Technischen Hochschule Ingolstadt entwickelt wurden, haben durchweg eine sehr hohe Leistungsfähigkeit (vergleichbar oder besser als zahlreiche Experten/innen) erreicht. Für derartige Ergebnisse sind qualitativ und quantitativ hochwertige Datensätze notwendig, welche wir für die verschiedenen histopathologischen und zytologischen Fragestellungen generieren konnten. Die meisten unserer Datensätze wurden öffentlich zugänglich gemacht, sodass diese für die weitere Entwicklung der künstlichen Intelligenz durch andere Arbeitsgruppen zur Verfügung stehen. Weiterhin haben wir erforscht, wie die Qualität und Quantität von Datensätzen durch algorithmisch-assistierte Labelingmethoden und dem Multi-Experten-Konsensus verbessert werden kann. Neben Algorithmen für die Quantifizierung von Hämosiderophagen und Zelltypen in zytologischen Präparaten von Lungenspülflüssigkeiten des Pferdes sowie die Erkennung von zwei- und mehrkernigen Tumorzellen in histologischen Schnitten war unser Forschungsschwerpunkt die Erkennung von Mitosefiguren in histologischen Tumorschnitten. Alle Ansätze haben das Potential gezeigt, die Diagnosefähigkeiten bzw. die diagnostische Effizienz der/des Pathologin/en sinnvoll zu unterstützen. Auf dem Gebiet der Mitosefiguren konnten wir beispielweise zeigen, dass unsere Algorithmen durchschnittlich eine bessere Auswahl an Regionen mit der höchsten Mitosedichte im Gewebeschnitt treffen konnten. Bildanalysen können – im Unterschied zu Pathologen/innen – die Informationen des gesamten WSI innerhalb kurzer Zeit verarbeiten und bieten somit Vorteile für eine Regionauswahl.