Projekt 2

INNOVATIVE METHODEN DER KÜNSTLICHEN INTELLIGENZ ZUR VERBESSERTEN TUMORDIAGNOSTIK MITTELS OPTISCHER VERFAHREN

Bisher gibt es kein adäquates Screeningverfahren zur Früherkennung von Plattenepithelkarzinomen des oberen Luft-Speiseweges bzw. Kopf-Hals-Bereiches (HNSCC), die in ihrer Gesamtheit die sechsthäufigste Tumorentität beim Menschen ausmachen. Dies führt nicht selten zu einer Diagnoseverzögerung mit konsekutiver Verschlechterung der Prognose mit im weiteren erhöhten Kosten in Bezug auf Nachsorge und Rehabilitation. Die unter dem neuen Klinikdirektor und Lehrstuhlinhaber der HNO-Klinik Prof. C. Betz neu gegründete Arbeitsgruppe „Innovative Optische Diagnoseverfahren“ (Leitung: Dr. D. Eggert) beschäftigt sich mit der Anwendung und Weiterentwicklung verschiedener optischer Verfahren zur verbesserten Diagnostik bei HNSCC. Aussichtsreiche Verfahren zur verbesserten Früherkennung von HNSCC sind optische Kohärenztomographie (OCT), Narrow Band Imaging (NBI) und Hyperspectral Imaging (HSI), welche in der HNO des UKE zur Verfügung stehen. Diese Verfahren haben gemeinsam, dass die Auswertung der erhaltenen Bilddaten komplex ist. Außerdem hängt die Interpretation der Bilddaten stark von dem beurteilenden Arzt/Wissenschaftler ab, was zu einer hohen Interobserver-Variabilität, speziell in schwierigen Situationen führt. Um Bilddaten reproduzierbar auswerten zu können, finden häufig Algorithmen des maschinellen Lernens Anwendung. Insbesondere faltende neuronale Netze (Engl. CNN) haben sich zu einem sehr vielversprechenden Ansatz zur Klassifikation und Segmentierung von Bilddaten entwickelt. Unter der Leitung von Prof. Dr. A. Schlaefer beschäftigt sich das Institut für Medizintechnische Systeme der TUHH intensiv mit der computergestützten, automatisierten Auswertung solcher medizinischen Bilddaten, insbesondere auch zur Krebserkennung anhand optischer Modalitäten. Eine besondere Herausforderung und aktueller Gegenstand der Forschung ist dabei weiterhin die Adaption der Verfahren an medizinische Bildmodalitäten und klinische Fragestellungen, insbesondere im Kontext geringer Datenmengen.

Hypothesen: Folgende Hypothesen sollen innerhalb der Promotion überprüft werden:

1. Moderne optische Verfahren wie OCT, NBI, HSI oder Fluoreszenz-Endoskopie eignen sich zur Früherkennung von HNSCC.

2. Mit Hilfe von Methoden der künstlichen Intelligenz (speziell CNN) lassen sich die Bilddaten reproduzierbar, schnell und mit klinisch relevanter Genauigkeit auswerten.

Ziele: Ziel des Projektes ist es, innovative Methoden der künstlichen Intelligenz mit modernen optischen Verfahren zu kombinieren, um in den Bilddaten automatisiert Normalgewebe, Hyperplasien, Dysplasien und HNSCC zu erkennen und zu markieren. Es werden neue Ansätze zur Auswahl und Adaption geeigneter Lern-Architekturen auf Basis der physikalischen Messprinzipien und klinischer Daten entwickelt.