Künstliche Intelligenz (KI)-basierte Softwaresysteme bieten die Chance eine kontinuierliche Anpassung und Verbesserung verschiedenster Anwendungen zu ermöglichen. Gerade im medizinischen Umfeld verspricht die Kombination aus bildgebendem Verfahren und KI-Verfahren ein hohes Potential zur Steigerung der Effektivität und Effizienz klinischer Diagnostik. Hiervon profitieren Patienten, Ärzte und medizinische Dienstleister gleichermaßen.
Die Diagnose von Hautkrebs, der mit Abstand häufigsten Krebserkrankung, ist derzeit nicht immer zuverlässig möglich, 15 % der Tumore können nicht korrekt diagnostiziert werden. Im Rahmen des Vorhabens soll mit Hilfe einer quantitativen, multi- bzw. hyperspektralen Bildgebung unter strukturierter Einstrahlung sowie anschließender Datenaufbereitung hinsichtlich 3D-Topologie der Oberfläche und weiteren für die Diagnostik relevanten Parametern ein KI-basiertes Diagnosesystem zur frühzeitigen Erkennung von Hautkrebs entwickelt werden.
Bei diesem Vorhaben stellt die gezielte Erhebung der domänenspezifischen Datenbasis eine große Herausforderung dar. Bedingt durch neue Bildgebungsverfahren in der Datengewinnung, kann nicht bzw. nur eingeschränkt auf bestehende Bilddatenbanken für die Erkennung von Hautkrebs zurückgegriffen werden. Im Rahmen des Projekts soll daher ebenfalls eine Infrastruktur zum Aufbau der Datenbasis als Grundlage für das Training der KI-Modelle entstehen. Hautkrebs ist aufgrund der hohen Verbreitung ein sehr gut geeignetes Krankheitsbild, um die Fähigkeit zur Unterscheidung von gutartigem und bösartigem Gewebe mittels der quantitativen Bildgebung und KI-basierten Methoden zu testen. Die unkomplizierte Zugänglichkeit für fotografische Aufnahmen (auch für vergleichende Messungen mit gutartigen Hautläsionen) erleichtert den Aufbau der Datenbasis, die sich die bei inneren Organen weit komplizierter gestaltet.
Der im Rahmen des Projekts verfolgte interdisziplinäre Lösungsansatz umfasst mehrere Gebiete. Ziel ist es die folgenden Komponenten zu entwickeln und die Ergebnisse bis zum Abschluss des Projekts mit einem integrierten Demonstrator zu evaluieren:
- Modell der Lichtausbreitung in der Haut inklusive der Hautläsionen (Vorwärtsproblem)
- Optische Messsysteme: Mikrooptische Lichtquelle für die hyperspektrale, strukturierte Beleuchtung sowie einer mikrooptischen hyperspektralen Detektionseinheit
- KI-Infrastruktur zur Erhebung und Verwaltung von Daten- und KI-Modellen
- Deep-Learning-Modelle zur automatischen Diagnose von Hautläsionen
Die im Projekt verfolgten Ansätze adressieren im Besonderen die geringe Datenbasis beim Einsatz von KI-Verfahren. Der Aufbau einer domänenspezifischen Datenbasis stellt gerade für kleine und mittelständische Unternehmen eine große Herausforderung dar, da diese häufig nicht über das notwendige Know-how oder die notwendigen Ressourcen verfügen. Ein erweitertes Ziel ist es, die im Projekt verfolgten Ansätze auch in andere Domänen zu übertragen.
Arbeitspakete der ersten Projekt-Phase
| Arbeitspaket | Beschreibung |
|---|---|
| Analyse der Anforderungen und Nutzungsszenarien | Durch die Modellierung von Soll- und Ist- Prozessen (es wurde zudem zwischen Trainings- und Anwendungs-Phase unterschieden), der Erstellung von Use-Case-Diagrammen für die Funktionsübersicht und die detaillierte Beschreibung dieser Funktionen durch einzelne Sequenzdiagramme, wurde dieser Meilenstein planmäßig abgeschlossen. |
| Theoretische Modellierung der Gewebeoptik | Für die quantitative Charakterisierung (optisch, geometrisch, und physiologisch) der Hautläsionen ist eine theoretische Beschreibung der Lichtausbreitung (Gewebeoptik) auf Basis der Strahlungstransporttheorie unabdingbar. Hierzu kam eine am ILM entwickelte Monte-Carlo Simulation, welche für beliebige Geometrien die experimentell gemessenen Bilder simuliert, zum Einsatz. |
| Referenzdiagnostik | Neben der klinischen/pathologischen Diagnostik in der Hautklinik werden zusätzlich molekulare Biomarker auf Protein und mRNA Ebene erhoben, um die Befunde weiter abzusichern. Die Ergebnisse sind quantitative Daten, die zusätzlich in die Bewertung der Melanome einfließen und die Trennschärfe der Diagnostik erhöhen. Somit erlauben die Ergebnisse dieses Arbeitspakets eine Überprüfung der neuen Hyperspektralmethodik auf höchstem Niveau. |
| Optisches Messsystem | In der bisherigen Projektlaufzeit wurde am ILM ein erster Funktionsdemonstrator zur Messung der multispektralen Remission mit strukturierter Beleuchtung für die Durchführung der klinischen Studie aufgebaut und validiert. Unter Berücksichtigung der gewonnenen Erkenntnisse aus den klinischen Messungen werden weiterführend in Zusammenarbeit mit HS-Stuttgart ein miniaturisierter, multispektraler Demonstrator sowie ein hyperspektrales Messsystem für die strukturierte Beleuchtung entstehen. Hierfür laufen aktuell Versuche zur Prozessoptimierung der additiven Fertigung von mikrooptischen Komponenten sowie der Galvanikabformung zur Bauteilvervielfältigung. |
| Gewebeoptikmodell- und Gerätevalidierung | Es werden z.Z. optische Gewebephantome mit genau charakterisierten optischen und geometrischen Eigenschaften hergestellt. An den Gewebephantomen sollen Messungen durchgeführt werden, um die im Rahmen des Projekts entwickelten theoretischen Modelle zur Lichtausbreitung in der gesunden Haut bzw. in den Hautläsionen und die entwickelten Messgeräte zu validieren. Aufgrund der Evaluationsergebnisse sollen die theoretischen Modelle und Geräteaufbauten, falls nötig, später angepasst werden. |
| KI-Algorithmen | In diesem Arbeitspaket werden Machine Learning (insbesondere Deep Learning) Modelle entwickelt, um aus den im Projekt erhobenen Daten Diagnosen für Hautläsionen zu erhalten. Die Machine Learning Architektur ist entworfen und für synthetische Daten trainiert. Zur Zeit wird an Federated Learning Ansätzen geforscht. |
| Daten- und Modell-Managementplattform | Der architektonische Entwurf der Managementplattform ist abgeschlossen. Die Speicherung der Trainingsdaten wird in zwei Bestandteile aufgeteilt: Zum einen wird eine relationale Datenbank für das Speichern der Metadaten erstellt. Zum anderen werden die netCDF-Dateien in einem File-System-Ordner verwaltet. |
Abschlussbericht
Die erzielten Ergebnisse können dem gemeinsam erstellten Abschlussbericht zu ersten Phase von Intelligente Diagnostik entnommen werden, welcher hier zum Download bereitsteht.