Header
Das Online-Labormagazin
05.12.2020

18.11.2020

Wie Künstliche Intelligenz Mikroskopieaufnahmen analysiert



In Forschung und Diagnostik sind detailreiche Mikroskopieaufnahmen nicht mehr wegzudenken. Die zeitaufwendige Analyse der Aufnahmen übernehmen bislang Fachleute. Doch ein Forschungsteam der Uni Würzburg will hier neue Wege gehen.

Durch moderne Mikroskopieverfahren erhält man riesige Mengen an Bildinformationen. Ob nun Gene oder Nervensysteme untersucht werden - für die medizinische Forschung und Diagnostik ist die präzise Technologie ein Segen. Doch für die Auswertung solcher Aufnahmen braucht es eine fundierte Expertenanalyse.

Für Wissenschaftler eine aufwendige, zeitraubende, aber nötige Aufgabe. Ein Forschungsteam der Julius-Maximilians-Universität Würzburg (JMU) und des Universitätsklinikums Würzburg (UKW) will hier nun neue Wege gehen: Sie wollen die Bilder durch Künstliche Intelligenz (KI) nicht nur automatisch analysieren lassen, sondern auch mit Hilfe von KI die Qualität der Bildanalyse verbessern. Dazu haben sie eine Studie verfasst und neue Richtlinien erarbeitet, wie mit Hilfe von maschinellem Lernen die Experten-basierte Bildanalyse objektiver und valider werden kann.

"In unserer Arbeit haben wir uns die Frage gestellt, wie mit Hilfe von sogenannten Deep-Learning-Algorithmen aus der KI Mikroskopiebilder automatisiert und objektiv analysiert werden können", erklärt Robert Blum, Neurobiologe am Institut für Klinische Neurobiologie des UKW. Dafür hat sich ein interdisziplinäres Team aus Neurowissenschaftlern des UKW und Wirtschaftsinformatikern der JMU gebildet, um diese Frage in der Praxis zu untersuchen.

Mehr Experten, mehr Objektivität

Das Ergebnis: Trainieren die selbstlernenden KI-Algorithmen mit den Daten von einem einzelnen Experten, kann dies dazu führen, dass die KI die subjektiven Analysekriterien des Experten lernt. Die Objektivität kann dabei auf der Strecke bleiben. "Nutzt man jedoch das gemeinsame Wissen vieler Experten um einen Algorithmus zu trainieren, so ist dieser weniger anfällig für subjektive Analysekriterien. Dadurch wird die Auswertung von Bilddaten objektiver und reproduzierbarer", so Blum. Die Ergebnisse sind kürzlich in der Fachzeitschrift "eLife" veröffentlicht worden.

Das Team stellt dabei klar, dass die Beurteilung von Bilddaten durch Experten noch immer der "Goldstandard in Forschung und Klinik" sei. "Aber wir haben gezeigt, dass durch eine Einbettung von künstlichen neuronalen Netzen in einen strukturierten Arbeitsablauf die Analyse von Bilddaten nicht nur automatisiert werden kann, sondern auch objektiv und zuverlässig möglich ist", erklärt Christoph Flath, Lehrstuhlinhaber für Wirtschaftsinformatik und Informationsmanagement an der JMU.

Einsatz auch in weniger entwickelten Ländern

Bis diese KI-Algorithmen die Analyse und Auswertung von Mikroskopieaufnahmen auch für Wissenschaft und Kliniken übernehmen können, braucht es noch Zeit - und weitere Forschungsarbeit. "Um den Zugang zu unseren Deep-Learning-Analyseverfahren möglichst barrierefrei zu gestalten, arbeiten wir aktuell an der Entwicklung einer benutzerfreundlichen Toolbox, die auf den von uns erarbeiteten Richtlinien für objektive Bildanalyse aufbaut", so Flath. Das Ziel: Jedem Forschenden oder Interessierten mit Internetzugang die Daten und trainierten Algorithmen zur Verfügung zu stellen. "Hier sehen wir auch ganz besonders Chancen für weniger entwickelte Länder", erklärt Blum.

Initiative von Doktoranden

Die Forschungsidee geht zurück auf die Doktoranden Matthias Griebel (Wirtschftsinformatik, JMU) und Dennis Segebarth (Klinische Neurobiologie, UKW), die gemeinsam mit Blum und Flath das Projekt konzipiert und durchgeführt haben. Gefördert wurde das Team durch die Deutsche Forschungsgemeinschaft im Rahmen eines Sonderforschungsbereiches TRR58 für 'Furcht, Angst, und Angsterkrankungen', der Graduate School of Life Sciences und dem Interdisziplinären Zentrum für Klinische Forschung der JMU, sowie dem Österreichischen Fonds zur Förderung wissenschaftlicher Forschung. Unterstützt wurde die Arbeit zudem von Forschenden der Universitäten Münster und Innsbruck.

» Originalpublikation

Quelle: Universität Würzburg