Featured
Publications
KI-basierte erklärbare Klassifikation von Erkrankungs-Subtypen
Helmholtz Munich Forscher Kristian Unger, Leiter des Bereichs Translational Bioinformatics in der Abteilung „Radiation Cytogenetics“ (ZYTO) hat zusammen mit Wissenschaftler:innen der LMU-Strahlenklinik und der LMU-Medizinphysik die KI-Methode DeepClassPathway entwickelt, die anhand von Genexpressionsdaten die Subtypen von Krankheiten bestimmt und gleichzeitig patientenspezifische Informationen über die zugrunde liegenden biologischen Mechanismen liefert.
Die Zuordnung von Patient:innen zu klinisch relevanten Untergruppen ist ein wichtiger Eckpfeiler der personalisierten Medizin. Mit DeepClassPathway konnten die Wissenschaftler:innen um Kristian Unger ein KI-Modell entwickeln, das auf Basis von Genexpressionsdaten (i.e. Daten, die den Prozess um die Bildung von Genprodukten beschreiben), präzise zwischen Kopf-Hals-Tumoren, die durch das humane Papillomavirus (HPV) verursacht werden, und solchen, die nicht mit HPV assoziiert sind, unterscheiden kann. DeepClassPathway wandelt Genexpressionsprofile in 2D-Bilder um, die als Eingabedaten für das KI-Modell dienen. Die zusätzlichen patientenspezifischen Informationen über die biologischen Mechanismen, die der Klassifizierung im Sinne einer "Erklärbaren KI" zugrunde liegen, bieten das Potenzial für die Entwicklung und Anwendung von personalisierten Behandlungsansätzen. Erklärbare KI-Systeme liefern eine Beschreibung der Ergebnisfindung, die für Menschen nachvollziehbar ist. DeepClassPathway ist ein flexibler, neuartiger Ansatz, der vielseitig auf andere Krankheiten und deren molekulare Mechanismen ausgeweitet werden kann.
Information über Förderungen:
Dieses Projekt wurde im Rahmen des Forschungskonsortium ZiSStrans vom Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Original Publikation
Lombardo and Hess et al. (2022). DeepClassPathway: Molecular pathway aware classification using explainable deep learning, European Journal of Cancer, Volume 176, Pages 41-49, ISSN 0959-8049, https://doi.org/10.1016/j.ejca.2022.08.033.