Diagnosestellung und Risikostratifizierung von Lebererkrankungen mittels Deep Learning anhand von klinischen Routinedaten (DEEP LIVER)

Ergebnisse

Der entwickelte KI-Algorithmus zur Diagnose von Lebererkrankungen und zur Klassifikation von Leber-krebs anhand von Histologiebildern und Ultraschalluntersuchungen konnte angewandt werden und kann Ärztinnen und Ärzten bei der Diagnosestellung unterstützen. Die Wissenschaftlerinnen und Wissenschaftler analysierten Bilder von Lebergewebe sowie klinische Daten mittels Deep-Learning-Methoden und künstlichen neuronalen Netzen, um daraus Modelle für die Diagnose abzuleiten. Da sich die Bilder von Lebergewebe von Person zu Person teilweise stark unterscheiden, gestaltete sich die Entwicklung der KI-Modelle teilweise schwierig. Die Analyse zeigte jedoch, dass eine KI-basierte Abgrenzung zwischen gesundem und tumorösem Gewebe bei Ultraschalluntersuchungen möglich ist und auch, dass eine Klassifikation des Tumorgewebes mittels KI machbar ist. Bei nicht-tumorösen Erkrankungen, wie z. B. der Fettleber, hatten die KI-Modelle jedoch Schwierigkeiten bei der Identifikation von krankem Lebergewebe. Grund hierfür könnten die abweichenden Erscheinungsformen dieser Erkrankung sein, die Symptome und Untersuchungsergebnisse unterscheiden sich bei den jeweiligen Patientinnen und Patienten stark.

Verwertung

Das Projekt DEEP LIVER hat gezeigt, dass Deep Learning eine vielversprechende Technologie zur Diagnose und Risikoeinschätzung von Lebererkrankungen darstellt. Die entwickelten pythonbasierten Pipelines zur KI-basierten Analyse sind öffentlich zugänglich und können auch von anderen Wissenschaftlerinnen und Wissenschaftlern genutzt werden. Im Konsortium selbst werden die entwickelten Pipelines auch bereits für andere, nicht-leberspezifische Modelle, genutzt. Die entwickelte Webplattform steht anderen Ärztinnen und Ärzten als Proof-of-Concept zur Verfügung, indem Bilddaten zur Analyse hochgeladen werden können. Sie bietet das Potenzial, diese Methoden breit verfügbar zu machen und so die Diagnose und Behandlung von Lebererkrankungen zu verbessern. Langfristig könnte die Einführung dieser Technologien in die klinische Praxis die Sicherheit von Patientinnen und Patienten und die Behandlungsergebnisse erheblich verbessern.