Wie künstliche Intelligenz aus der Sternenbeobachtung Hautkrebs findet
Der Goldstandard für das Aufspüren von Hautkrebs ist immer noch recht zeitaufwändig und ineffizient. In der Dermatologie müssen Muttermale, sogenannte Nävi, untersucht und überwacht werden, um frühe Formen von Melanomen (einer Art von Hautkrebs) zu erkennen. Menschen mit vielen Nävi müssen außerdem erlernen, wie sie diese selbst gründlich überprüfen können. Ganzkörperfotografie dient der Unterstützung dieses Überwachungsprozesses, indem eine Weitwinkelaufnahme der Person unter genormten Bedingungen aufgenommen wird, um die Konsistenz des Bildmaterials zu gewährleisten. Dennoch werden die Nachuntersuchungen immer noch persönlich durchgeführt, wobei diese Bilder nur als visuelle Referenz dienen. Unterdessen nimmt die Melanomhäufigkeit weltweit zu. Die Früherkennung ist entscheidend: Über 95 % der frühzeitig diagnostizierten Betroffenen haben eine Überlebensrate von fünf Jahren oder mehr, verglichen mit weitaus geringeren Raten bei denjenigen, die in fortgeschrittenen Stadien die Diagnose erhalten. Im Rahmen des vom Europäischen Forschungsrat finanzierten Projekts MOLEGAZER wandelten die Forschenden einen Algorithmus, mit dem der Nachthimmel beobachtet wird, in einen Algorithmus um, der sich verändernde Muttermale erkennen und potenziellen Hautkrebs auf menschlicher Haut ermitteln kann. „Bei MOLEGAZER handelt es sich um ein Projekt zur automatischen Erkennung von Nävi, zur Überwachung ihrer Entwicklung und zur Unterstützung der Fachleute in der Klinik bei der Melanom-Früherkennung“ erklärt Mark Sullivan, Professor für Astrophysik an der Universität Southampton.
Wie die Algorithmen den Nachthimmel scannen
Die im Projekt MOLEGAZER eingesetzten Algorithmen finden Veränderungen in astronomischen Aufnahmen, zum Beispiel explodierende Sterne. „Unsere astronomischen Anlagen vermessen alle paar Nächte den Himmel, wobei millionenfach Sterne und Galaxien entdeckt werden“, fügt Sullivan hinzu. Diese Algorithmen finden zusammenhängende Bildpixel, die sich von einer Hintergrundebene unterscheiden und im Zeitverlauf auf Veränderungen in Bezug auf Form, Größe und Helligkeit überwacht werden. Dann werden durch die Algorithmen anhand dieser sich verändernden Eigenschaften interessante Objekte lokalisiert.
Anpassung der Algorithmen auf Hautbilder
In der Astronomie sind die hellsten Objekte am leichtesten zu entdecken, aber „leider leuchten Nävi nicht“, merkt Sullivan an. „Stattdessen haben wir unsere Bilder derart aufbereitet, dass die Intensität des Nävus im Vergleich zum Rest des Körpers verstärkt wurde.“ Während die Formen von Sternen, Galaxien und Supernovae sanft in den Hintergrund übergehen, verfügen Melanome über eine scharfe Abgrenzung. „Wobei sich das sogar zu unserem Vorteil auswirkte, da einfache Kantenerkennungsalgorithmen Nävi zuverlässig segmentieren konnten, und diese Informationen wurden dann mit unseren Intensitätskarten kombiniert, um mit Sicherheit Regionen auszuwählen, die für die dermatologische Nachuntersuchung von Interesse sind“, berichtet er. Im Rahmen des Projekts MOLEGAZER erstellte das Team einen Ganzkörperfotografie-Datensatz von Personen mit hohem Melanomrisiko. Diese wichtige Ressource diente dem Training der Algorithmen. Die Forschenden erstellten außerdem eine Datenbank mit allen auf diesem Bildmaterial erkannten Hautmerkmalen.
Künstliche Intelligenz auf menschliche Haut feinabstimmen
Das Forschungsteam arbeitet weiter an der Verfeinerung und Verbesserung der Algorithmen innerhalb eines aktiven Lernzyklus, mit dem bei der dermatologischen Untersuchung die Bilder der Regionen, in denen der Algorithmus am unsichersten ist, visuell überprüft werden. Durch dieses sanfte Anstupsen der Algorithmen werden diese darauf trainiert, anormale Nävi oder Melanome zuverlässiger von anderen gutartigen Objekten auf der Haut zu unterscheiden. Der nächste Schritt besteht in der Einführung und Erprobung des Ansatzes anhand von mehr Bildern von Menschen, die unterschiedlichen Hauttypen angehören. Rubeta Matin, beratende Dermatologin des Oxford University Hospitals NHS Foundation Trust und Mitglied des MOLEGAZER-Teams, sagt dazu: „Diesem Werkzeug zur Unterstützung des ärztlichen Personals wohnt ein enormes Potenzial inne, die Überwachung bei einem großen Anteil der Bevölkerung optimieren zu können, der mehr als 60 Muttermale am Körper trägt und für den es sonst sehr schwierig wäre, ein verdächtiges Melanom zu erkennen.“
Schlüsselbegriffe
MOLEGAZER, Nävi, Nävus, Naevus, Muttermal, KI, Mensch, Haut, Melanom, Bild, Segment, erkennen, Krebs
