Die Künstliche Intelligenz (KI) gewinnt weltweit immer mehr an Bedeutung. In vielen Hightech-Branchen wird KI eingesetzt, um der Industrie Vorteile zu verschaffen, sei es in Form von Zeit-, Kosten- oder Präzisionsvorteilen. In den chemischen und pharmazeutischen Wissenschaften wird die KI zu einem festen Bestandteil. So bieten künstliche neuronale Netze den Unternehmen beispielsweise die Möglichkeit, neue Medikamente zu entwickeln und zu synthetisieren. Gleichzeitig können Algorithmen des Machine Learning dazu beitragen, Krebszellen in einem Patienten mit viel höherer Genauigkeit zu erkennen. Auf diesen Aspekt möchten wir in diesem Beitrag näher eingehen.

Moderne Verfahren zur Erkennung von Krebs

In den letzten Jahren haben Wissenschaftler viele Verfahren zur Untersuchung von Krebs eingesetzt, wobei die Mikroskopie und andere bildgebende Verfahren zu den wichtigsten gehören. Doch die Zeiten, in denen ein Wissenschaftler einen Blick ins Mikroskop warf und ohne Computerunterstützung zu einem Ergebnis kam, sind vorbei. Mit Hilfe einer Reihe von Computerprogrammen können Wissenschaftler seit einigen Jahren die Form, Größe und Morphologie von bildgebenden Proben, einschließlich Zellen, betrachten. Bei vielen dieser Programme ist jedoch nach wie vor die Eingabe durch den Menschen erforderlich, um zu bestimmen, wo die relevanten Bereiche, in diesem Fall die Krebszellen, beginnen und wo sie enden. Die Bildgebungsverfahren wurden für eine Reihe von Analysegeräten entwickelt, vom einfachen Mikroskop auf dem Labortisch bis hin zum MRT.

Natürlich gibt es heute wirksame Verfahren für die Krebsdiagnostik, und deshalb sind wir Menschen mittlerweile besser in der Lage, die Krankheit zu erkennen und zu verstehen, aber die meisten dieser Verfahren sind immer noch anfällig für menschliche Fehler. Dabei kann selbst ein kleiner Fehler zu einer Fehldiagnose führen. Das Machine Learning hat sich in den letzten Jahren zu einer möglichen Lösung für dieses Problem entwickelt. Bisherige Ergebnisse haben gezeigt, dass es möglich ist, bildgebende Proben zu analysieren und das Vorhandensein von Krebszellen mit einem hohen Maß an Präzision festzustellen.

Anhand verschiedener chemischer Sensoren lässt sich feststellen, ob ein Patient Krebs hat. So können Mediziner zwar nach bestimmten Biomarkern im Blut von Patienten suchen, aber biologische Proben sind von Natur aus komplex und die Analyse von Körperflüssigkeiten kann manchmal fehleranfällige Ergebnisse liefern. Deshalb können Mediziner Machine Learning-Algorithmen in Verbindung mit chemischen Frühwarntests einsetzen, um diese Fehleranfälligkeit der Tests zu minimieren und die wichtigen Parameter für die Diagnose von Krebs bei einem Patienten zu analysieren.

Merkmale von Krebszellen

Krebszellen weisen bestimmte Merkmale auf, die sie von gesunden Zellen unterscheiden. Anhand dieser Merkmale lässt sich häufig feststellen, ob ein Patient an Krebs erkrankt ist. Auch bestimmte Biomarker im Blut eines Patienten sind typisch für diese Krankheit. Insbesondere in der Bildgebung sind die physischen Merkmale gesunder und krebsartiger Zellen ein effektiver Weg, um festzustellen, ob ein Patient an Krebs erkrankt ist oder nicht.

Normale gesunde Zellen des gleichen Typs haben in der Regel die gleiche Form und Größe. Sie sind oft kugelförmig/oval, es sei denn, es handelt sich um spezialisierte Zellen. Krebszellen haben hingegen eine ganz andere (d. h. zufälligere) Form und Größe, die sich von gesünderen Zellen unterscheiden kann. Zudem ist die Zellteilung in gesunden Zellsystemen in der Regel kontrolliert, und die Anordnung der Zellen ist geordnet. Im Gegensatz dazu teilen sich Krebszellen wesentlich schneller und sind in der Regel sehr ungeordnet.

Ein weiteres Merkmal von Krebszellen besteht darin, dass sie für gewöhnlich große, unterschiedlich geformte Zellkerne haben. Gesunde Zellen hingegen haben nur einen kleinen, regelmäßig geformten Zellkern. Außerdem verlieren Krebszellen in der Regel bestimmte Eigenschaften und sind deshalb gefährlich, da Krebszellen aufgrund des Verlusts dieser Eigenschaften bestimmte Funktionen nicht wie gesunde Zellen ausführen können. All diese Unterschiede und Merkmale sowohl von gesunden als auch von Krebszellen können von Machine Learning-Algorithmen erfasst, analysiert und verglichen werden – vorausgesetzt, die Software verfügt über genügend Daten.

Einsatz von Machine Learning in der Krebsdiagnose

Machine Learning-Algorithmen bieten eine Möglichkeit, Krebszellen besser zu analysieren und festzustellen, ob bei einem Patienten Krebszellen vorhanden sind. Diese Algorithmen arbeiten mit historischen Daten und gleichen sie mit den Daten der aktuellen Analyse ab. Durch den Vergleich der historischen Daten mit den neuen Daten können die Algorithmen erkennen, ob das System normal ist – die Zellen also gesund sind – oder ob Anomalien, d. h. Krebszellen, vorliegen.

Dazu müssen die Machine Learning-Algorithmen mit Daten aus früheren Untersuchungen versorgt werden, in denen die unterschiedlichen Größen, Formen und Oberflächenmorphologien sowohl von Krebszellen als auch von gesunden Zellen erfasst wurden. Dadurch können die Algorithmen schnell und einfach erkennen, welche Zellen in einem Bild gesund und welche potenziell krebsartig sind. Durch eine genaue und statistische Analyse der Zellen reduzieren diese Algorithmen menschliche Fehler bei der Beurteilung, ob Zellen tatsächlich krebsartig sind oder ob weitere Tests zur Bestätigung einer Krebserkrankung durchgeführt werden müssen, auf ein Minimum.

Point-of-Care-Geräte zur Früherkennung

Machine Learning kann jedoch nicht nur bei bildgebenden Verfahren zur Krebsdiagnose eingesetzt werden. In den letzten Jahren wurden verschiedene Geräte für die Krebsfrüherkennung entwickelt, die wesentlich früher erkennen können, ob ein Patient Krebs hat. Viele dieser Geräte basieren auf mikrofluidischen Systemen, deren Innenseite mit spezifischen Oberflächenrezeptoren beschichtet/funktionalisiert ist, die sich an Krebszellen anlagern. Die Rezeptoren müssen also spezifisch auf den jeweiligen Krebs abgestimmt sein. Diese Systeme fungieren jedoch im Wesentlichen als eine Reihe von Point-of-Care-Nanosensoren, die ein Frühwarnsignal liefern können, sodass Ärzte die Krankheit wesentlich früher behandeln können, was wiederum die Überlebenschancen erhöht.

Und wo kommt das Machine Learning ins Spiel? Von diesen Plattformen (und chemischen Tests im Allgemeinen) können zahlreiche Daten erfasst werden. Es ist nicht ganz einfach, die Trends zwischen den verschiedenen Datensätzen zu erkennen und daraus eine genaue Diagnose abzuleiten, denn das Datenspektrum reicht von der Größe und Morphologie der Zellen bis hin zur Genexpression und dem Ausmaß des Wachstums/der Teilung innerhalb der Zellgruppen.

Point-of-Care-Geräte können mit bildgebenden Verfahren gekoppelt werden, um die Daten aus chemischer Perspektive zu analysieren und gleichzeitig ein Bild der Probe zu erstellen, während diese analysiert wird. Durch die Segmentierung des Bildes in Schichten und den Einsatz von Machine Learning-Algorithmen können die oben beschriebenen Verfahren zur Unterscheidung zwischen gesunden und Krebszellen auch bei einigen Point-of-Care-Geräten angewendet werden. In Zukunft können also sowohl chemische als auch bildgebende Diagnoseverfahren kombiniert und Plattformen geschaffen werden, die eine quantitative und qualitative Analyse ermöglichen.

Machine Learning als Zukunft der Krebsdiagnose?

Ist Machine Learning die Zukunft der Krebsdiagnose? Die Antwort auf diese Frage ist zum jetzigen Zeitpunkt noch offen. Das Interesse und die Entwicklung im Bereich Machine Learning und anderen KI-Algorithmen ist groß und betrifft die gesamte medizinische und pharmazeutische Branche. Machine Learning ist für die Zukunft der Krebsdiagnose sehr vielversprechend, da es sowohl bei chemischen Tests als auch bei der Bildgebung Vorteile bietet. Die Möglichkeiten sind vielfältig und dabei kann Machine Learning auf klinischer Ebene in einem Bereich nützlicher sein als in einem anderen.

Der Einsatz von Machine Learning und KI-Algorithmen nimmt zwar zu, steht aber noch ganz am Anfang. In vielen Branchen werden sie zwar verstärkt eingesetzt, aber im medizinischen Bereich müssen die Technologien wegen der potenziellen Probleme im Zusammenhang mit Fehldiagnosen und dem Patientenwohl noch genauer untersucht werden. Gleichwohl werden genauere Analysen für Krebs und andere Krankheiten benötigt. Machine Learning bietet hierfür das Potenzial und hat zudem den Vorteil, dass menschliche Fehleinschätzungen ausgeschlossen werden können.

Bei medizinischen Diagnosen muss natürlich auch die ethische Seite berücksichtigt werden. In diesem Zusammenhang werden KI-Ansätze wahrscheinlich immer noch den menschlichen Beitrag eines geschulten Mediziners benötigen, um die Ergebnisse zu bestätigen. Im Falle einer Fehldiagnose oder eines Problems mit der Software könnten sonst Probleme auftreten, die bei jeder Art von Technologie vorkommen können. Medizintechnik kann zwar versagen, aber in den meisten klinischen Umgebungen gibt es in der Regel eine Unterstützung durch einen Menschen, um Fehler zu korrigieren. Auch wenn also Machine Learning alle Analysen liefern kann, ist aus ethischer Sicht möglicherweise immer noch menschliches Eingreifen erforderlich.

Wenn wir mit den ethischen Überlegungen umgehen können und die Algorithmen genau und zuverlässig sind, spricht nichts dagegen, dass Machine Learning künftig in der einen oder anderen Form bei der Krebsdiagnose eingesetzt wird. Es bleibt jedoch abzuwarten, inwieweit Mediziner die KI in der Onkologie und in weiteren klinischen Bereichen tatsächlich nutzen werden.