Computational Biology KI transformiert die Diagnose von Blutkrankheiten
Blutproben von Patienten können künftig nicht nur von Fachleuten ausgewertet werden, sondern auch von künstlicher Intelligenz. Die Grundlagen dafür legt ein Team von Helmholtz Munich.
In the future, blood samples from patients can be evaluated not only by specialists, but also by artificial intelligence. A team from Helmholtz Munich is laying the foundations for this.
Die herkömmliche Diagnosemethode ist so monoton wie ermüdend: Beim Verdacht auf Bluterkrankungen kommt die Blutprobe eines Patienten im Labor an, unter dem Mikroskop wird dort die Zellstruktur sichtbar – und speziell ausgebildete Fachleute suchen darin nach markanten Mustern, wie sie etwa die Leukämie aufweist. „In großen Labors findet das täglich tausendfach statt“, sagt Dr. Carsten Marr von Helmholtz Munich. Er leitet eine Arbeitsgruppe, die mit Hilfe von künstlicher Intelligenz diese Diagnose automatisieren will – und dabei möglicherweise sogar präzisere Ergebnisse liefern kann.
Wie geschaffen für den Einsatz von künstlicher Intelligenz
Bei Blutuntersuchungen gibt es zwei grundlegende Methoden: Zum einen ist da die genetische Untersuchung, bei der im Labor nach bekannten Mutationen gesucht wird. Der zweite Weg ist die morphologische Untersuchung. Dabei wird ein sogenannter Blutausstrich vorgenommen – das heißt, dass ein Tropfen peripheren Bluts auf einen Objektträger aufgebracht, ausgestrichen und gefärbt wird. Speziell geschulte Experten – die sogenannten Zytologen – werten unter dem Mikroskop, ob es Auffälligkeiten in den Zellen gibt. Bei bestimmten Formen der Leukämie treten beispielsweise besondere Stabstrukturen in den weißen Blutkörperchen auf; das ist, zusammen mit weiteren Merkmalen, ein untrügliches Zeichen der Krankheit. „Einige morphologische Charakteristika der Leukämie sind klar definiert und deutlich erkennbar“, sagt Carsten Marr, „deshalb ist das Feld wie geschaffen für den Einsatz von künstlicher Intelligenz.“
Um den Computer zu trainieren, arbeitet Marr mit dem Münchner Leukämie-Labor (MLL) zusammen, in dem täglich tausende Proben zusammenkommen, die teilweise digitalisiert werden. Marr und sein Team füttern den Computer mit den Bildern des Bluts von erkrankten Patienten und auch mit Bildern von gesunden Blutzellen. Die künstlichen neuronalen Netze analysieren diese Unterschiede und prägen sich typische Muster ein. Das ist der klassische überwachte Lernprozess, mit dem künstliche Intelligenz trainiert wird. Inzwischen kann der Computer auf dieser Grundlage selbstständig kranke Zellen identifizieren.
Helmholtz Munich / Matthias TungerNun lässt sich Leukämie auch durch genetische Untersuchungen diagnostizieren. Die morphologischen Untersuchungen bieten dennoch einige Vorteile – zum Beispiel sind sie schnell und unabhängig von hochkomplexen Labors durchführbar. In Weltregionen, in denen genetische Analysen nicht ohne Weiteres möglich sind und in denen es kaum geschulte Zytologen gibt, könnten Ärzte mit mobilen Mikroskopen einen Blutausstrich anfertigen und dann per Internet analysieren lassen. Die Ergebnisse sind so präzise, dass Carsten Marr mit seinem Team inzwischen das nächste Ziel anpeilt: Es gibt eine Unterform der Leukämie bei der auch die erfahrensten Zytologen unter dem Mikroskop keine Auffälligkeiten erkennen. Die künstliche Intelligenz hingegen hat in einem Probelauf in 75 Prozent der Fälle die richtige Diagnose gestellt. „Das deutet darauf hin, dass der Computer anhand von Merkmalen, die wir Menschen entweder nicht wahrnehmen oder bisher ignoriert haben, auf die richtige Fährte kommt“, sagt Carsten Marr.
Herausfinden, wie der Computer zu seinen Ergebnissen kommt
Die Zuverlässigkeit ist dabei eines der entscheidenden Kriterien, das erfüllt sein muss, damit die Technik später auch tatsächlich in der Praxis zum Einsatz kommt. Eine 75prozentige Trefferquote reicht dazu nicht aus. Bei anderen Formen der Leukämie – etwa der Akuten Myeloischen Leukämie (AML) – ist die Trefferquote aber schon mindestens so hoch wie bei menschlichen Zytologen. Genau hier wartet auf die Spezialisten um Carsten Marr eine Herausforderung: Sie wollen genau wissen, wie die künstliche Intelligenz zu ihrer Diagnose kommt. Unter Fachleuten ist in dem Zusammenhang häufig von einer „Black Box“ die Rede: Man füttert den Computer mit Fotos, die er selbstständig analysieren soll – und weiß anschließend häufig nicht, anhand welcher Merkmale die Unterscheidungen getroffen wird. „Es könnte zum Beispiel sein“, erklärt Carsten Marr, „dass man dem Computer die Patienten mit einer bestimmten Krankheit auf Grundlage von fünf Jahre alten Aufnahmen zeigt, die gesunde Vergleichsgruppe aber auf ausschließlich neueren Aufnahmen beruht. Die Aufnahmen könnten sich wegen ihres unterschiedlichen Alters zum Beispiel in der Farbintensität unterscheiden, auch wenn das menschliche Auge diese Unterschiede gar nicht wahrnimmt.“ Der Computer würde also den Unterschied zwischen den Patienten anhand der Farbintensität der Bilder definieren und nicht anhand von Krankheitsmerkmalen – die Klassifikation wäre also fehlerhaft.
Damit genau das nicht passiert, wollen die Forscher diesen Black-Box-Charakter durchbrechen. Im Klartext: Sie wollen genau wissen, wie der Computer zu seinen Ergebnissen kommt. „Bei uns hat sich gezeigt, dass die künstliche Intelligenz auf die gleichen Zellen geachtet hat wie ein menschlicher Zytologe. Ob das auch für morphologischen Merkmale, also etwa auf die Größe der Zelle, ihre Form oder Textur zutrifft, untersuchen wir derzeit“, sagt Carsten Marr. Eine weitere Herausforderung ist die Generalisierbarkeit der Modelle: Bislang stammen alle untersuchten Proben, mit denen die künstliche Intelligenz trainiert wurde, aus dem gleichen Labor, das also mit dem exakt gleichen Verfahren und der immer gleichen Technik arbeitet. Wenn Daten von anderen Labors in Farbe, Schärfe oder Größe davon abweichen, kommt ein menschlicher Zytologe damit ohne Probleme klar, die Technik aber scheitert. „Wir müssen die künstliche Intelligenz also mit heterogenen Datensätzen aus unterschiedlichen Labors trainieren, damit sie diese Abstraktion auch schafft, oder die Algorithmen besser machen“, sagt Carsten Marr – ein schwieriges Unterfangen, zu dem er erst kürzlich mit Studierenden einen Hackathon veranstaltet hat: Verschiedene Teams stürzten sich auf das Problem und suchten eine Woche lang in intensivster Arbeit nach den besten Lösungen.
Auch für andere Anwendungen nutzbar
Dass sich die Mühe lohnt, steht für die Forschenden fest: Die Methoden, mit denen die künstliche Intelligenz nach Krankheiten sucht, lässt sich auch auf andere Anwendungen ausdehnen. Denkbar ist die Analyse von Blutzellen auf der Suche nach weiteren Formen der Leukämie oder auch nach ganz anderen Krankheiten. Und: Carsten Marr arbeitet jetzt schon daran, auch Aufnahmen vom Knochenmark durch den Computer untersuchen zu lassen. „Das ist deutlich komplexer, weil die Zellen im Knochenmark öfters verklumpen. Sie liegen in engeren Haufen beieinander und teils auch aufeinander, außerdem gibt es viel mehr Blutzelltypen“, umreißt Marr die Herausforderung.
Die Chancen, dass er mit seinem Team auch bei diesem nächsten Vorhaben erfolgreich sein wird, stehen gut: Auf dem Feld der optischen Analysen von Einzelzellen mittels künstlicher Intelligenz gehören die Expertinnen und Experten von Helmholtz Munich weltweit zur Spitzengruppe.
Letzte Aktualisierung: März 2023.
