Bestimmung des Tumorwachstums mittels künstlicher Intelligenz: Optimierung mittels Korrektur der Tumorregion und Zelldichte

Nach operativer Entfernung von Tumoren erfolgt in der Regel eine pathologische Untersuchung unter dem Mikroskop. Bestimmte histologische Tumoreigenschaften geben Rückschlüsse auf die erwartete Überlebenszeit der Patient:innen (Prognose) und die Notwendigkeit unterschiedlicher Behandlungsmöglichkeiten (Prädiktion). Eines der relevantesten dieser Tumoreigenschaften für Brustkrebs bei Menschen und Tieren ist das Tumorwachstum (Zellvermehrung), das routinemäßig anhand der Anzahl der sich teilenden Zellen (Mitosefiguren) in einer ausgewählten Tumorregion bestimmt wird; diese Messmethode wird als Mitotic Count bezeichnet. Neben dem Mitotic Count gibt es weitere Methoden für die Messung der mitotischen Aktivität (Volumen-korrigierter Mitotic Count und Mitotic Index), die eine variable Zelldichte zwischen Tumoren berücksichtigen und somit eine repräsentativere Messung ermöglichen; allerdings sind diese Messverfahren aufgrund des hohen Zeitaufwandes bei rein visueller Bestimmung nicht praktikabel. Im Rahmen der Digitalisierung der pathologischen Institute und der Entwicklung von KI-basierten Analysesystemen eröffnen sich für die Messung der mitotischen Aktivität neue Möglichkeiten – sowohl für die Genauigkeit und Reproduzierbarkeit des Mitotic Count als auch der Praktikabilität des Volumen-korrigierter Mitotic Count und Mitotic Index. In vorherigen Untersuchungen der eigenen Arbeitsgruppe haben wir leistungsstarke Algorithmen für die Erkennung von Mitosefiguren entwickelt, mit welchem der Mitotic Count bestimmt werden kann. Einer der derzeitigen relevantesten Limitationen dieser Algorithmen ist eine fehlerhafte Auswahl einer entsprechenden Tumorregion für die Bestimmung des Mitotic Counts aufgrund falsch-positiven Prädiktionen. In diesem Projekt wollen wir die Anwendung dieser Mitose-Algorithmen validieren und KI-basierte Korrekturmechanismen für fehlerhafte Regionsauswahl und variable Zelldichte der Tumore (Volumen-korrigierter Mitotic Count und Mitotic Index) etablieren. Hierfür verwenden wir innovative Methoden für die Erstellung eines großen Datensatzes mittels eines Immunhistochemie-gestützten Referenzstandards. Die entwickelten Algorithmen werden umfangreich validiert und die verschiedenen mitotischen Messverfahren hinsichtlich ihrer prognostischen Fähigkeit verglichen, um die Prognose von Brustkrebspatient:innen vorherzusagen. Abschließend soll der gesamte Datensatz und die entwickelten KI-basierte Algorithmus frei zugänglich veröffentlicht werden, was essenziell für eine transparente und reproduzierbare KI-Forschung ist.

Hochschuljubiläumsfonds der Stadt Wien

• 3 GESUNDHEIT UND WOHLERGEHEN