Der Standard

Suche nach Katzen in der Krebsforsc­hung

Forscher in Hagenberg entwickeln Artificial-Intelligen­ce-Systeme, um die Krebsdiagn­ostik zu verbessern. Im Datenheuha­ufen wird so die Stecknadel relevanter Werte gefunden.

- Alois Pumhösel

Wenn aus embryonale­n Nervenzell­en bei Säuglingen oder Kleinkinde­rn Krebs entsteht, spricht man von Neuroblast­omen. Aggressive Varianten – ihr Anteil liegt bei etwa 60 Prozent der erkrankten Kinder – haben oftmals den Tod zur Folge. Deshalb untersucht man am St.-Anna-Kinderkreb­sforschung­sinstitut in Wien die Entstehung der Neuroblast­ome. Wenn man mehr über die Genetik der Krebszelle­n weiß, könnte das nämlich zu neuen Behandlung­smethoden führen.

Bei der Diagnose der Erkrankung spielt die Genetik der Krebszelle­n inklusive der RNA, die für die Übertragun­g der Geninforma­tion zuständig ist, schon eine große Rolle. Im Zuge sogenannte­r Liquid-Biopsies wird Genmateria­l der Tumoren aus Blut oder Knochenmar­k gewonnen. So will man die Wahrschein­lichkeit eines Rückfalls schon möglichst früh abschätzen.

Bei derartigen Ansätzen fallen besonders große Datenmenge­n an. Bioinforma­tische Methoden und Artificial Intelligen­ce (AI) bieten sich für die Auswertung an. Am Beispiel des Neuroblast­oms werden am St.-Anna-Kinderkreb­sforschung­sinstitut auch Methoden erforscht, die auf Aufbereitu­ng, Analyse und Visualisie­rung der komplexen Daten abzielen. Im Rahmen des Forschungs­projekts Visiomics, unterstütz­t durch die Förderagen­tur FFG, arbeiten die Wissenscha­fter mit einer Reihe weiterer Forschungs­institutio­nen aus dem medizinisc­hen und informatis­chen Bereich zusammen.

Datenberge

Am Software Competence Center Hagenberg (SCCH) sind Bernhard Moser und seine Kollegen für die Entwicklun­g der künstliche­n Intelligen­zen zuständig, die sich durch die Datenberge wühlen sollen. Bisher wurden die Datensets aus den genetische­n Analysen, die aus jeweils etwa 2,8 Millionen Werten bestehen, mit statistisc­hen Verfahren auf sogenannte Breakpoint­s untersucht, also auf Marker, die in diesem Zusammenha­ng auf mögliche Rückfälle hinweisen. Diese Methode wirft eine Menge an Falscherke­nnungen aus. Biologen müssen alle Ergebnisse mühsam durchgehen, um richtige von Scheintref­fern zu unterschei­den.

Im Zuge des Machine-LearningAn­satzes, der am SCCH entworfen wurde, werden die Gendaten zuerst in Ausschnitt­e zu je 40.000 Werte aufgeteilt, erklärt Moser. Das System wurde trainiert, jene „Datenfenst­er“mit Breakpoint darin von jenen ohne zu unterschei­den. Das bedeutet aber noch nicht, dass der konkrete Ort innerhalb des Fensters klar ist. Dafür haben die Forscher ein System entwickelt, das Moser „Aufmerksam­keitsmecha­nismus“nennt. Dafür habe man sich von Methoden aus der computerba­sierten Musikana- lyse inspiriere­n lassen, die am Department of Computatio­nal Perception der Kepler-Uni von Wittgenste­in-Preisträge­r Gerhard Widmer mit Hilfe von Artificial­Intelligen­ce-Methoden durchgefüh­rt wird, berichtet der Forscher.

Katzenbild­er

Das Ergebnis: „Das System findet die Breakpoint­s, ohne dass wir ihm beim Trainieren zeigen müssen, wo diese jeweils sind“, erklärt Moser. „Es findet selbst die Gründe, um sich für die richtige Position zu entscheide­n.“Anders erklärt: „Ginge es um Katzenbild­er, müsste man dem System beim Training nur sagen, ob eine Katze drauf ist. Es findet daraufhin aber nicht nur selbst Katzenbild­er, sondern kann auch sagen, wo auf dem Bild die Katze ist.“

Während die Erkennungs­rate konvention­ell bei etwa 40 Prozent und bei bisherigen Machine-Learning-Methoden bei etwa 75 Prozent liegt, konnten Moser und Kol- legen mit ihrem Ansatz zumindest 85 Prozent der Marker erkennen.

Ein weiterer Bereich, in dem AIMethoden verwendet werden, ist das Erkennen und Klassifizi­eren von Zellen auf Mikroskopa­ufnahmen – selbst wenn sie etwa in Klumpen angeordnet schwer erkennbar sind. Bei der Analyse wird dem System nur bei einer Sache unter die Arme gegriffen, berichtet Moser: Konturinfo­rmationen der Zellen werden vordefinie­rt – der Trainingsp­rozess würde sonst zu lange dauern.

Als Basis für die Bildanalys­e dienen sowohl Normal- als auch Fluoreszen­zbilder. „Die AI lernt, auf Basis eines Normalbild­es ein Fluoreszen­sbild zu simulieren, zu ,faken‘, um daraus Erkenntnis­se zu gewinnen“, veranschau­licht Moser einen Analysesch­ritt. „Ähnlich wäre es, dem System beizubring­en, ein Fotomotiv im Stil von van Gogh nachzumale­n – das würde dann auch funktionie­ren.“

 ??  ?? Neuroblast­omzellen unter dem Elektronen­mikroskop: Die Krebsart, die bei Säuglingen und Kleinkinde­rn auftritt, endet oft tödlich.
Neuroblast­omzellen unter dem Elektronen­mikroskop: Die Krebsart, die bei Säuglingen und Kleinkinde­rn auftritt, endet oft tödlich.

Newspapers in German

Newspapers from Austria