Article
Infrarot-(IR)-Imaging klassifiziert label-frei Prostatakarzinome: Eine große prospektive IR-ProSPECT-Studie zeigt das Potential für klinische Anwendung und Forschung
Search Medline for
Authors
-
Mirko Brehmer
- Marien Hospital Herne, Herne, Deutschland
-
Claus Kuepper
- Marien Hospital Herne, Herne, Deutschland
-
Frederik Großerüschkamp
- Zentrum für Proteindiagnostik, Ruhr-Universität Bochum, Bochum, Deutschland
-
Nina Goertzen
- Zentrum für Proteindiagnostik, Ruhr-Universität Bochum, Bochum, Deutschland
-
Carlo Sternemann
- Institut für Pathologie, Ruhr-Universität Bochum, Bochum, Deutschland
-
Sebastian Berg
- Marien Hospital Herne, Herne, Deutschland
-
Karl Tully
- Marien Hospital Herne, Herne, Deutschland
-
Axel Mosig
- Institut für Bioinformatik, Ruhr-Universität Bochum, Bochum, Deutschland
-
Rein-Jueri Palisaar
- Marien Hospital Herne, Herne, Deutschland
-
Andrea Tannapfel
- Institut für Pathologie, Ruhr-Universität Bochum, Bochum, Deutschland
-
Klaus Gerwert
- Zentrum für Proteindiagnostik, Ruhr-Universität Bochum, Bochum, Deutschland
-
Joachim Noldus
- Marien Hospital Herne, Herne, Deutschland
-
Henning Bahlburg
- Marien Hospital Herne, Herne, Deutschland
-
Florian Roghmann
- Marien Hospital Herne, Herne, Deutschland
| Published: | March 28, 2023 |
|---|
Outline
Text
Frage: Ist IR-Imaging gestützt durch künstliche Intelligenz (KI) geeignet, um Prostatakarzinome (PCa) label-frei zu klassifizieren?
Methodik: Im letzten Jahrzehnt konnte IR-Mikroskopie in vielen Studien ihr Potential zeigen, Gewebetypen und Krankheitsbilder zu klassifizieren [1], [2], [3]. Die aufgenommenen IR-Spektren reflektieren den biochemischen Status der betrachteten Zellen. Mit Quantenkaskadenlaser als Lichtquelle konnte die Datenaufnahme beschleunigt werden und erreicht nun ein Zeitfenster, welches die Integration in klinische Forschungsabläufe erlaubt [4]. In der Studie wurden bisher 258 Patienten vermessen und ausgewertet. Dabei kam zuerst die klassische KI mit Random Forrest (RF) Algorithmen zum Einsatz. Prostatagewebe zeigt sich morphologisch deutlich anspruchsvoller als die Erfahrung anderen Tumorentitäten erwarten ließ. Im Verlauf wurde auf moderne und robuste deep learning KI gewechselt.
Ergebnis: Im aktuellen Datensatz erreicht die deep learning KI auf Basis von label-freien IR-Imaging Daten bei der Tumorerkennung eine AUC von 0,96 bei einer Sensitivität von ~98% und einer Spezifität von ~83%. Dies stellt eine Verbesserung gegenüber dem RF dar, welcher nur auf 82% Sensitivität bei einer Spezifität von 69% kam.
Schlussfolgerung: KI gestütztes IR-Imaging erkennt PCa mit 98%iger Sensitivität. Training mit zusätzlichen Patienten verspricht eine weitere Verbesserung. Dieser erste Erfolg eröffnet die Türen zu weiteren Analysen. Die Kombination mit einer Lasermicrodissektion ermöglicht eine präzise homogene Probensammlung für detaillierte molekulare Untersuchungen des Tumorgewebes. Die gewonnenen Erkenntnisse können genutzt werden, um die KI auch auf molekulare Charakteristika zu trainieren.
Literatur
- 1.
- Kuepper C, Großerueschkamp F, Kallenbach-Thieltges A, Mosig A, Tannapfel A, Gerwert K. Label-free classification of colon cancer grading using infrared spectral histopathology. Faraday Discuss. 2016;187:105-18.
- 2.
- Witzke KE, Großerueschkamp F, Jütte H, Horn M, Roghmann F, von Landenberg N, Bracht T, Kallenbach-Thieltges A, Käfferlein H, Brüning T, Schork K, Eisenacher M, Marcus K, Noldus J, Tannapfel A, Sitek B, Gerwert K. Integrated Fourier Transform Infrared Imaging and Proteomics for Identification of a Candidate Histochemical Biomarker in Bladder Cancer. Am J Pathol. 2019 Mar;189(3):619-31. DOI: 10.1016/j.ajpath.2018.11.018
- 3.
- Kuepper C, Kallenbach-Thieltges A, Juette H, Tannapfel A, Großerueschkamp F, Gerwert K. Quantum Cascade Laser-Based Infrared Microscopy for Label-Free and Automated Cancer Classification in Tissue Sections. Sci Rep. 2018 May 16;8(1):7717. DOI: 10.1038/s41598-018-26098-w
- 4.
- Goertzen N. Quantum Cascade Laser-Based Infrared Imaging as a Label-Free and Automated Approach to Determine Mutations in Lung Adenocarcinoma. The American Journal of Pathology. 2021 Jul;191(7):1269-80.
