Bildanalyse bei entzündlichen Krankheiten

Psoriasis Arthritis (PsA) ist eine chronische, entzündliche Erkrankung des muskuloskelettalen Systems. Psoriasis Arthritis ist nicht heilbar. Bisher kann bei der Therapie lediglich der Krankheitsfortschritt verlangsamt werden. Eine frühe Diagnose ist entsprechend sehr wichtig, um die Beschwerden der Patient*innen möglichst gering zu halten. Hinzu kommt, dass andere arthritische Erkrankungen ähnliche Symptome haben, sich aber in der Behandlung unterscheiden.

Um Ärzte bei der Früherkennung zu unterstützen, forschen wir im Rahmen des Fraunhofer "Cluster of Excellence Immune Mediated Diseases" nach diagnostischen Lösungen, die auf gängigen Bildgebungsverfahren basieren. Hierzu gehören die automatisierte Auswertung von Röntgenbildern, Ultraschalldaten, MRI, sowie Fluoreszenz-optische Bildgebung. Bei letzterem Bildgebungsverfahren wird Patient*innen ein sogenannter ICG-Farbstoff injiziert, dessen Verteilung anschließend in einer Bildserie aufgezeichnet wird. Die Verteilung des ICG steht in Korrelation mit der Aktivität des Stoffwechsels unterschiedlicher Areale. Somit kann man Schlüsse ziehen über möglicherweise entzündete Bereiche. Diese automatisierten Auswertungen beinhalten unter anderem Segmentierungen von einzelnen Knochen in Diagnose-relevanten Regionen, Scoring dieser Regionen, sowie Diagnose von vorliegenden Symptomen. Da diese Auswertungen auf unterschiedlichen Bildmodalitäten durchgeführt werden, beschäftigen wir uns zusätzlich mit der nicht-rigiden Registrierung der Modalitäten. Dies ermöglicht eine kombinierte Visualisierung der Ergebnisse.

Zusätzlich arbeiten wir im Rahmen der EU Innovative Medicines Initiative geförderten Projekts HIPPOCRATES mit führenden Experten in Europa zusammen, um die Diagnose, Therapie von PsA, sowie die Differenzierung von anderen entzündlichen Krankheiten des muskuloskelettalen Gewebes zu verbessern. Dies bezieht neben den oben bereits erwähnten Lösungen auch spezialisierte Bildgebungsverfahren, wie beispielsweise High-Resolution Peripheral Quantitative Computed Tomography (HR-pQCT), mit ein. Therapieerfolge sollen hiermit durch Aufzeichnung und Analyse longitudinaler Daten überprüfbar gemacht werden. Neben der Auswertung bildbasierter Daten werden im Rahmen von HIPPOCRATES auch unterschiedliche Zellparameter, so genannte OMICS (Proteomics, Lipidomics, Metabolomics etc.), erforscht, um ein ideales Regel-Set zu generieren, das besonders gut mit dem Krankheitsfortschritt korreliert.

Das Fraunhofer IGD verfügt über umfangreiche Fähigkeiten in der Analyse von histopathologischen Bilddaten. Dabei setzen wir auf KI- und Deep Learning-Methoden, um präzise und zuverlässige Ergebnisse zu erzielen. Wir stellen Bildanalysemethoden bereit, die eine automatische Auswertung und Erkennung pathologischer Veränderungen in histopathologischen Aufnahmen ermöglichen.

Im Rahmen eines Projektes der Kompetenzplattform „Neue Arzneimittelklassen“ des Fraunhofer Cluster of Excellence for Immun-Mediated Diseases (CIMD) haben wir ein KI-basiertes automatisches Scoringverfahren entwickelt. Dieses Verfahren analysiert und bewertet automatisch Aufnahmen von H&E Schnitten von 3D-In-vitro-Hautmodellen. Das Fraunhofer ISC in Würzburg entwickelt diese 3D-In-vitro-Hautmodelle, um neue Arzneimittelklassen zu testen. Um die Modelle zu bewerten, wurde bisher ein Scoring-Verfahren eingesetzt, das auf einer visuellen Prüfung der Hautschnittbilder durch eine Expertin basiert (BSGC Scoring).

Unsere entwickelte Methode ermöglicht ein automatisiertes Scoring der histopathologischen Bilddaten mit hoher Genauigkeit. Dadurch können eine Gütebewertung von künstlichen Hautmodellen und eine Stratifizierung von Fibrose und anderen Hauterkrankungen in kurzer Zeit und ohne vorherige Schulung von Fachpersonal erreicht werden. Zusätzlich zur direkten Klassifizierung kann eine Segmentierung und Klassifizierung der einzelnen Epidermis-Zellschichten durchgeführt werden, um weitere Informationen über den Aufbau des Hautmodells zu erlangen. So ist es möglich, interessante Regionen wie Anomalien zu identifizieren, die ggf. einer weiteren Untersuchung durch Experten bedürfen. Hierbei nutzen wir Neuronale Netze und setzen auf Supervised Learning, um eine möglichst hohe Genauigkeit und Robustheit zu erzielen. Die entwickelten Methoden können auch auf andere Hauterkrankungen wie das Maligne Melanom oder weitere Anwendungsfälle wie Verbrennungs- und Verwundungs-Modelle übertragen werden.