••• Von Isabella Ellinger
Als Zellbiologin möchte ich die zellbiologischen Grundlagen menschlicher Krankheiten verstehen. Die quantitative Analyse von Mikroskopiebildern von Zellen und Geweben unterstützt meine Forschung und ermöglicht in klinischen Anwendungen die Erkennung, Diagnose und Prognose von Krankheiten. Als Teil eines interdisziplinären Projektteams wende ich derzeit Deep Learning, einen der vielversprechendsten Zweige der KI, auf histologische Bilder an, um die Erkennung, Klassifizierung und Segmentierung von Zellkernen und, darauf aufbauend, von Zellen im Gewebsverband zu verbessern. Der große Vorteil an Deep Learning-Methoden wie Convolutional Neural Networks (CNNs) ist, dass sie komplexe Merkmale, die Menschen möglicherweise nicht erfassen, erkennen und effizient extrahieren können.
Vorteile: Die KI kann nicht nur die Informationsextraktion aus Mikroskopiebildern verbessern, sondern auch verschiedene Arten von Daten verbinden, einschließlich Bildern, Daten aus Omics-Technologien oder sogar elektronischen Gesundheitsakten. Dies hilft, unsere Vision der Präzisionsmedizin voranzutreiben.
Nachteile: KI-basierte (bio-)medizinische Werkzeuge sollten nicht darauf abzielen, medizinisches Fachpersonal oder Forscher zu ersetzen.
In den letzten Jahren wurden neue Modellsysteme wie dreidimensionale multizelluläre Sphäroide entwickelt, die als präklinische In-vitro-Modelle z.B. für die Krebsforschung verwendet werden können. Die Kombination solcher nahezu physiologischer Modellsysteme mit Bildgebungstechnologien und KI verspricht, unser Verständnis von Krankheiten von der Grundlagenforschung bis hin zu klinischen Anwendungen zu beschleunigen. Diese Art der Forschung erfordert jedoch eindeutig interdisziplinäre Forschungsteams. Die Arbeit in und die Leitung von multidisziplinären Teams muss zu einer wesentlichen Forschungskompetenz werden, die die Universitäten in die Ausbildung der Studenten aufnehmen sollten.
Die Kombination von Mikroskopen und KI zur Beantwortung (bio-)medizinischer Fragen hat großes Potenzial. Neben den Forschungsanwendungen werden kleine und gleichzeitig intelligente Geräte entwickelt, welche die Arbeit von Ärzten, Pathologen und anderen medizinischen Fachkräften unterstützen. Dazu gehören beispielsweise Mikroskope, die eine simultane KI-gestützte Bildanalyse mit Echtzeitdarstellung der Ergebnisse für die Diagnose von Gewebebiopsien ermöglichen, oder KI-Systeme, die auf mobilen Geräten für Point-of-Care-Tests arbeiten.
Ich glaube, dass solche intelligenten Geräte, wenn ihre diagnostische Zuverlässigkeit anhand umfangreicher Datensätze validiert wurde, das Potenzial haben, den Zugang zur medizinischen Versorgung zu verbessern, die Prävention von Krankheiten zu unterstützen und das Gesundheitssystem zu entlasten. Die Erstellung der erforderlichen umfassenden Datensätze und validierter Algorithmen erfordert konzertierte und globale Anstrengungen.
Assoc. Prof. Isabella Ellinger ist Zellbiologin und Leiterin der Forschungsgruppe „Pathophysiologie der menschlichen Plazenta”, Medizinische Universität Wien, Österreich.
