Neuer standardisierter Rahmen für Gewebekartierung beschleunigt KI-gestützte Pathologieforschung

Als eines der zentralen Ergebnisse des international EU-geförderten Projekts ONCOSCREEN hat ein Team von Forschern medizinischer Universitäten und Institutionen aus Österreich und Tschechien ein Rahmenwerk zur Standardisierung von Metadaten für Whole Slide Images (WSIs) vorgestellt, das die Effizienz und Interoperabilität von Anwendungen künstlicher Intelligenz (KI) in der Pathologie und Krebsforschung erheblich voranbringt. Das Rahmenwerk wurde kürzlich in Artificial Intelligence in Medicine veröffentlicht.

Von Objektträgern zu Gewebekarten

Whole Slide Images sind hochauflösende digitale Scans vollständiger Objektträger, die biologische Proben wie Gewebeschnitte oder Zellproben enthalten. Diese Bilder werden mit mehreren Vergrößerungsstufen erfasst und sind digital betrachtbar, analysierbar und austauschbar. WSIs sind zu einer grundlegenden Basis für die Entwicklung von KI-Algorithmen geworden und werden in der Pathologie zur Krankheitsdiagnose sowie in der Onkologie für die Krebsforschung breit eingesetzt. Über diese Bereiche hinaus finden sie zunehmend Anwendung in der Neurologie, Veterinärmedizin, Hämatologie, Mikrobiologie, Dermatologie, Pharmakologie, Toxikologie, Immunologie und Forensik.

Trotz ihrer wachsenden Bedeutung schränkt eine zentrale Herausforderung ihr volles Potenzial ein: das Fehlen eines standardisierten Systems zur Beschreibung des WSI-Inhalts. Derzeit erfordert die Zusammenstellung von Kohorten für das Training und die Validierung von KI eine manuelle Inspektion der Bilder, um deren morphologischen Inhalt zu bestimmen – ein Ansatz, der für moderne Archive mit Millionen von Bildern unpraktikabel ist.

Um diese Lücke zu schließen, schlägt das Forschungsteam ein allgemeines Rahmenwerk zur Erstellung strukturierter 2D-Indexkarten oder „Gewebekarten“ vor, die die morphologische Zusammensetzung von WSIs anhand einer gemeinsamen Syntax und semantischen Struktur beschreiben. Das Rahmenwerk wurde entwickelt, um die Interoperabilität zwischen WSI-Katalogen und -Archiven sicherzustellen.

Die vorgeschlagenen Gewebekarten sind in drei hierarchische Ebenen gegliedert:

• Ursprungsebene (Source Layer) – identifiziert die biologische Herkunft der Probe 

• Gewebetypebene (Tissue Type Layer) – klassifiziert die anatomische oder histologische Gewebekategorie 

• Ebene der pathologischen Veränderungen (Pathological Alteration Layer) – kennzeichnet krankheitsbedingte oder abnormale morphologische Merkmale

Daten KI-tauglich machen

Jede Ebene ordnet Bildsegmente definierten Klassen zu und erzeugt dadurch KI-taugliche Metadaten, die automatisch generiert und systematisch in digitale Archive integriert werden können.

Die Forscher*innen demonstrierten die Wirksamkeit des Rahmenwerks, indem sie KI-basierte Metadatenextraktion anwendeten, um Gewebekarten aus WSIs zu erstellen und diese in ein bestehendes WSI-Archiv zu integrieren. Die Integration verbesserte die Such- und Filterfunktionen erheblich und ermöglichte eine schnellere Identifizierung relevanter Fälle sowie eine präzisere Zusammenstellung von Datensätzen.

„Wir verwandeln massive digitale Gewebescans in durchsuchbare Daten. Indem wir den Inhalt dieser Bilder mit unseren Gewebekarten beschreiben, helfen wir Forschern, schnell hochwertige Datensätze zu erstellen, die für das Training der nächsten Generation von KI-Tools im Gesundheitswesen benötigt werden“, erklärt Gernot Fiala.

Durch die Standardisierung von WSI-Metadaten und die Ermöglichung einer automatisierten Erstellung von Gewebekarten beschleunigt dieses Rahmenwerk die Erstellung hochwertiger, ausgewogener und zielgerichteter Datensätze für das Training und die Validierung von KI. Der Ansatz soll die Reproduzierbarkeit, Interoperabilität und Skalierbarkeit digitaler Pathologieplattformen und Forschungseinrichtungen verbessern.

Diese Entwicklung stellt einen wichtigen Schritt dar, um groß angelegte WSI-Repositorien vollständig für KI-gestützte Diagnostik und Krebsforschung nutzbar zu machen, und unterstützt letztlich eine effizientere wissenschaftliche Forschung sowie bessere Behandlungsergebnisse für Patient*innen.