Deep Learning basierte Identifizierung und Klassifikation von Krebszellen in Liquorproben

• Antragstellerin: Privatdozentin Dr. Leonille Schweizer
• Fachliche Zuordnung: Molekulare und zelluläre Neurologie und Neuropathologie
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 545407862

Die Analyse von Liquorpoben stellt einen wichtigen Baustein bei der Abklärung von Patienten mit neurologischen Symptomen dar. Hierbei kommt der Differenzierung der Zellen zur Unterscheidung von inflammatorischen, neoplastischen und blutungsassoziierten Prozessen im zentralen Nervensystem eine entscheidende Bedeutung zu. Derzeit gilt die aufwendige manuelle Inspektion und Zählung unterschiedlicher Zelltypen im Mikroskop durch speziell geschultes medizinisch-technisches oder ärztliches Personal als Goldstandard. Eine maschinelle Zelldifferenzierung durch Zytometer in Laboren ist an Liquorproben aktuell nicht möglich. Eine der wichtigsten und häufigsten Fragestellungen betrifft die Detektion von disseminierten Tumorzellen im Liquor. Nur bei einem Teil der Patienten ist ein Primarius im Vorfeld einer Meningeosis neoplastica bekannt. Die Bestimmung des Ursprungs der Tumorzellen anhand morphologischer oder immunhistochemischer Eigenschaften bei Patienten mit unbekanntem Tumorleiden nimmt einen besonders wichtigen Stellenwert ein. In eigenen Vorarbeiten konnten wir an digitalisierten Liquorsedimenten mit Hilfe eines neuronalen Netzes (convolutional neural network, CNN) 15 diagnostisch relevante Zelltypen in Liquorproben differenzieren, darunter auch Tumorzellen. Aufbauend auf unseren bisherigen Ergebnissen wollen wir nun den Algorithmus zu einem validierten Diagnostikinstrument zum Screening für Tumorzellen in Liquorproben weiterentwickeln. Hierfür ist zunächst eine Weiterentwicklung und Optimierung der Tumorzelldetektion durch das neuronale Netz nötig sowie eine Erweiterung des Referenzdatensatzes um seltenere Tumorentitäten. Hierdurch soll auch eine Prädiktion des Tumorzellursprunges möglich werden. Zudem muss die automatische Segmentierung von Zellen an digitalisierten Schnitten für Liquorsedimente optimiert und angepasst werden. Um in die Arbeitsabläufe in Diagnostiklaboren eingegliedert werden zu können, muss zunächst eine klinische Validierung parallel zu den Routineprozessen anhand mehrerer hundert Fälle und über einen längeren Zeitraum hinweg durchgeführt werden. Schließlich müssen für einzelne Zellen die Klassifikationsergebnisse des Algorithmus im Rahmen des Befundungsprozesses anschaulich dargestellt werden, um die zugrundeliegende Rationale für die Prädiktion transparent zu machen und die Akzeptanz in der klinischen Anwendung zu erhöhen (sog. explainable AI visualization). Übergeordnetes Ziel ist die Entwicklung eines deep learning basierten Assistenzsystems für digitalisierte Liquorsedimente, das perspektivisch nicht nur eine automatische und validierte Detektion von Tumorzellen für den Diagnostikbereich, sondern auch eine exakte Quantifizierung von verschiedenen Zelltypen und damit neue Untersuchungen zur Heterogenität verschiedener, neurologischer Erkrankungen mit Liquorbeteiligung ermöglicht.

• DFG-Verfahren: Sachbeihilfen