Die Forschungsergebnisse von CAI-Mitarbeiter haben das Potenzial, die Krebsdiagnose weltweit zu beeinflussen
Das Ergebnis der BSc-Thesis "Deep-learning-based Cell Segmentation for Rapid Optical Cytopathology of Thyroid Cancer" von Martin Oswald und Tenzin Langdun wurde als Publikation in Nature's Scientific Reports angenommen.
Um die möglichen Auswirkungen ins rechte Licht zu rücken: Als Dr. Ahmed Abdulkadir vor kurzem auf einer medizinischen Konferenz in den USA einen Vortrag zu diesem Thema hielt, kam ein Harvard-Professor zu ihm und sagte: "Dies hat das Potenzial, die medizinische Praxis rund um den Globus zu verändern, wie wir Krebs diagnostizieren - in jeder Arztpraxis".
Die Zusammenfassung lautet wie folgt: "Die Fluoreszenzpolarisation (Fpol) von Methylenblau (MB) ist ein vielversprechender quantitativer Ansatz zur Erkennung von Schilddrüsenkrebs. Die klinische Umsetzung der MB-Fpol-Technologie erfordert eine Reduzierung der Datenanalysezeit, die durch eine auf Deep Learning basierende automatische Zellsegmentierung mit einem 2D-U-Net-Faltungsneuronalnetz erreicht werden kann. Das Modell wurde anhand von Bildern pathologisch unterschiedlicher menschlicher Schilddrüsenzellen trainiert und validiert und durch den Vergleich der Anzahl der ausgewählten Zellen, der segmentierten Bereiche und der Fpol-Werte, die mit automatischen (AU) und manuellen (MA) Datenverarbeitungsmethoden erzielt wurden, bewertet. Insgesamt segmentierte das Modell 15,4 % mehr Zellen als der menschliche Operator. Die Unterschiede zwischen den mit AU und MA segmentierten Zellflächen lagen zwischen -55,2 % und +31,0 %, während die Unterschiede bei den Fpol-Werten zwischen -20,7 % und +10,7 % lagen. Es wurden keine statistisch signifikanten Unterschiede zwischen den von AU und MA abgeleiteten Fpol-Daten festgestellt. Die größten Unterschiede bei den Fpol-Werten korrelierten mit den größten Diskrepanzen zwischen den von AU und MA segmentierten Zellbereichen. Der Zeitaufwand für die automatische Verarbeitung wurde auf ~10 Sekunden reduziert, im Vergleich zu einer Stunde, die für die Verarbeitung der MA-Daten erforderlich war. Die Implementierung der automatisierten Zellanalyse macht eine quantitative, auf Fluoreszenzpolarisation basierende Diagnose klinisch machbar."
Herzlichen Glückwunsch nicht nur zu dieser fantastischen Arbeit, sondern auch dazu, dass sie die medizinische Welt zum Besseren verändert!