05.02.2021 - Tokyo University of Science

Tiefes Sehen: Nahinfrarot-Bildgebung und maschinelles Lernen können versteckte Tumore identifizieren

Nahinfrarot-Hyperspektralbildgebung kombiniert mit maschinellem Lernen kann Tumore im tiefen Gewebe sichtbar machen

Tumore können die umliegenden Blutgefäße und das Gewebe schädigen, selbst wenn sie gutartig sind. Wenn sie bösartig sind, sind sie aggressiv und heimtückisch und oft unwiderruflich schädigend. In letzterem Fall ist eine frühzeitige Erkennung der Schlüssel zur Behandlung und Heilung. Aber eine solche Erkennung kann manchmal eine fortschrittliche Bildgebungstechnologie erfordern, die über das hinausgeht, was heute auf dem Markt erhältlich ist.

Einige Tumore treten beispielsweise tief im Inneren von Organen und Geweben auf und sind von einer Schleimhautschicht bedeckt, so dass es für Wissenschaftler schwierig ist, sie mit Standardmethoden wie der Endoskopie (bei der eine kleine Kamera über einen dünnen Schlauch in den Körper eines Patienten eingeführt wird) direkt zu beobachten oder sie bei Biopsien zu erreichen. Insbesondere gastrointestinale Stromatumoren (GISTs) - typischerweise im Magen und im Dünndarm - erfordern anspruchsvolle Techniken, die sehr zeitaufwendig sind und die Diagnose verlängern. Um die GIST-Diagnose zu verbessern, haben Dr. Daiki Sato, Hiroaki Ikematsu und Takeshi Kuwata vom National Cancer Center Hospital East in Japan, Dr. Hideo Yokota vom RIKEN Center for Advanced Photonics, Japan, und Dr. Toshihiro Takamatsu und Kohei Soga von der Tokyo University of Science, Japan, unter der Leitung von Dr. Hiroshi Takemura eine Technologie entwickelt, die hyperspektrale Nahinfrarot-Bildgebung (NIR-HSI) zusammen mit maschinellem Lernen verwendet. Ihre Ergebnisse sind in Nature's Scientific Reports veröffentlicht.

"Diese Technik ist ein bisschen wie Röntgenstrahlen, die Idee ist, dass man elektromagnetische Strahlung verwendet, die den Körper durchdringen kann, um Bilder von Strukturen im Inneren zu erzeugen", erklärt Dr. Takemura, "Der Unterschied ist, dass Röntgenstrahlen bei 0,01-10 nm liegen, aber Nah-Infrarot liegt bei etwa 800-2500 nm. Bei dieser Wellenlänge lässt Nah-Infrarot-Strahlung das Gewebe auf den Bildern transparent erscheinen. Und diese Wellenlängen sind weniger schädlich für den Patienten als selbst sichtbare Strahlen."

Das sollte bedeuten, dass Wissenschaftler gefahrlos etwas untersuchen können, das im Inneren von Geweben verborgen ist, aber bis zur Studie von Dr. Takemura und seinen Kollegen hatte niemand versucht, NIR-HSI bei tiefen Tumoren wie GISTs einzusetzen. Wenn er darüber spricht, was sie dazu gebracht hat, diesen Weg der Untersuchung einzuschlagen, zollt Dr. Takemura dem verstorbenen Professor Tribut, der ihre Reise begann: "Dieses Projekt wurde nur durch den verstorbenen Prof. Kazuhiro Kaneko möglich, der die Barrieren zwischen Ärzten und Ingenieuren durchbrach und diese Zusammenarbeit etablierte. Wir folgen seinem Wunsch."

Dr. Takemuras Team führte Bildgebungsexperimente an 12 Patienten mit bestätigten Fällen von GISTs durch, denen die Tumore durch eine Operation entfernt wurden. Die Wissenschaftler bildeten das entfernte Gewebe mit NIR-HSI ab und ließen die Bilder anschließend von einem Pathologen untersuchen, um die Grenze zwischen normalem und Tumorgewebe zu bestimmen. Diese Bilder wurden dann als Trainingsdaten für einen Machine-Learning-Algorithmus verwendet, der einem Computerprogramm beibringt, zwischen den Pixeln in den Bildern zu unterscheiden, die normales Gewebe und solche, die Tumorgewebe repräsentieren.

Die Wissenschaftler fanden heraus, dass, obwohl 10 der 12 Testtumore ganz oder teilweise von einer Schleimhautschicht bedeckt waren, die maschinelle Lernanalyse bei der Identifizierung von GISTs effektiv war und Tumor- und Nicht-Tumorabschnitte mit einer Genauigkeit von 86 % korrekt farblich kodierte. "Dies ist eine sehr aufregende Entwicklung", erklärt Dr. Takemura, "In der Lage zu sein, verschiedene Arten von submukösen Tumoren genau, schnell und nicht-invasiv zu diagnostizieren, ohne Biopsien, eine Prozedur, die eine Operation erfordert, ist sowohl für den Patienten als auch für die Ärzte viel einfacher."

Dr. Takemura räumt ein, dass es noch Herausforderungen gibt, fühlt sich aber bereit, diese zu lösen. Die Forscher haben mehrere Bereiche identifiziert, in denen ihre Ergebnisse verbessert werden könnten, wie z. B. die Vergrößerung des Trainingsdatensatzes, das Hinzufügen von Informationen über die Tiefe des Tumors für den Machine-Learning-Algorithmus und die Einbeziehung anderer Tumorarten in die Analyse. Es wird auch an der Entwicklung eines NIR-HSI-Systems gearbeitet, das auf der bestehenden Endoskopie-Technologie aufbaut.

"Wir haben bereits ein Gerät gebaut, das eine NIR-HSI-Kamera am Ende eines Endoskops anbringt, und hoffen, die NIR-HSI-Analyse bald direkt am Patienten durchführen zu können, anstatt nur an chirurgisch entferntem Gewebe", sagt Dr. Takemura, "In Zukunft wird uns das helfen, GISTs von anderen Arten submuköser Tumore zu unterscheiden, die noch bösartiger und gefährlicher sein könnten. Diese Studie ist der erste Schritt zu viel mehr bahnbrechender Forschung in der Zukunft, die durch diese interdisziplinäre Zusammenarbeit ermöglicht wird."

Ein Mittel zur präzisen und nicht-invasiven Früherkennung von GISTs könnte schon bald in großem Umfang klinisch verfügbar sein!

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Mehr über Tokyo University of Science