Klassifizierung von Kehlkopfläsionen mittels fortschrittlicher endoskopischer Bildgebung und Echtzeitauswertung durch KI - CLAIRE-AI

• Antragsteller: Professor Dr. Christian Betz; Professor Dr. Gereon Hüttmann; Professor Dr.-Ing. Alexander Schlaefer
• Fachliche Zuordnung: Hals-Nasen-Ohrenheilkunde, Phoniatrie und Audiologie ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 569352564

Tumore des oberen Luft-Speisewegs sind die sechsthäufigste Tumorentität beim Menschen, wobei Kehlkopfkrebs 30-40 % der Fälle ausmacht. Eine frühe Diagnose geht mit einer besseren Prognose für die betroffenen Patienten einher. Da eine visuelle endoskopische Beurteilung derzeit histopathologische Untersuchungen nicht ersetzen kann, besteht der aktuelle Behandlungsstandard bei neu entdeckten Kehlkopfläsionen aus einer sogenannten Mikrolaryngoskopie unter Vollnarkose, kombiniert mit einer invasiven Gewebeentnahme. Diese ist kosten- und zeitaufwendig und anfällig für Entnahmefehler. Eine optische Methode, die eine Unterscheidung zwischen gesundem, dysplastischem und krebsartigem Gewebe ambulant am wachen Patienten ermöglicht, hätte daher das Potenzial, die Früherkennung von Kehlkopfkrebs zu revolutionieren. Verschiedene optische Techniken, die unterschiedliche Informationen über das untersuchte Gewebe liefern, wurden in (prä-)klinischen Studien zur Klassifizierung von Schleimhautläsionen des Kehlkopfes getestet und zeigten vielversprechende Ergebnisse. Als eigenständige Verfahren weisen sie jedoch ihre individuellen Limitationen auf. Daher wurde die multimodale Bildgebung mit einer Kombination verschiedener Techniken vorgeschlagen und erprobt, hat sich aber – hauptsächlich aufgrund der Komplexität der Datenerfassung und -interpretation – noch nicht zu klinisch relevanten Anwendungen entwickelt. In einem neuen, vielversprechenden Ansatz wollen wir optische Kohärenztomografie (OCT) und Narrow Band Imaging (NBI) in einem flexiblen Endoskop kombinieren und so Tiefen- und Rauminformation des verdächtigen Gewebes vereinen. Um die derzeitigen Einschränkungen der multimodalen Bildinterpretation zu überwinden, untersuchen wir verschiedene Methoden der künstlichen Intelligenz (KI), um die unterschiedlichen Informationen nach räumlicher und zeitlicher Registrierung der Daten zu vereinen und die Bildanalyse zu unterstützen. Unser erstes Ziel ist die Entwicklung eines ambulanten, endoskopischen Verfahrens, das eine Gewebeklassifizierung im Kehlkopf vor Ort am wachen Patienten ermöglicht („optische Biopsie“). Als zweites Ziel wird die Leistung dieser automatisierten multimodalen endoskopischen Bildgebung im Vergleich zum aktuellen Behandlungsstandard bewertet. Um diese Ziele zu erreichen, entwickeln und fertigen wir biokompatible OCT-Fasersonden. Die Sonden passen in den Arbeitskanal eines flexiblen, NBI-fähigen Laryngoskops. Zur Evaluierung der multimodalen Bildgebung führen wir eine Studie an 60 wachen Patienten mit flachen Schleimhautläsionen des Endolarynx und 60 gesunden Probanden durch. Modernste Deep-Learning-Methoden werden für eine automatisierte Gewebeklassifizierung eingesetzt, die sowohl auf individuellen Bildgebungsmodalitäten als auch auf dem multimodalen Datensatz basiert. Dadurch wird unser System für die computergestützte Diagnose (CAD) unabhängig von der Erfahrung des Arztes und reduziert das Problem der Interratervariabilität.

• DFG-Verfahren: Sachbeihilfen