Z Gastroenterol 2019; 57(09): e190-e191
DOI: 10.1055/s-0039-1695117
Ösophagus und Magen
Malignome im Ösophagus: Molekularbiologie – Tumorgenese: Donnerstag, 03. Oktober 2019, 14:05 – 15:17, Studio Terrasse 2.1 B
Georg Thieme Verlag KG Stuttgart · New York

Tumorzellidentifikation und -klassifikation mittels hyperspektraler Bildgebung (HSI) bei Patienten mit Barrett-Karzinom mittels maschineller Lernalgorithmen (Künstliche Intelligenz – KI)

R Thieme
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Viszeral-, Transplantations-, Thorax- und Gefäßchirurgie, Leipzig, Deutschland
,
Y Wichmann
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Viszeral-, Transplantations-, Thorax- und Gefäßchirurgie, Leipzig, Deutschland
,
H Köhler
2   Universität Leipzig, Innovation Center Computer Assisted Surgery (ICCAS), Leipzig, Deutschland
,
C Chalopin
2   Universität Leipzig, Innovation Center Computer Assisted Surgery (ICCAS), Leipzig, Deutschland
,
T Neumuth
2   Universität Leipzig, Innovation Center Computer Assisted Surgery (ICCAS), Leipzig, Deutschland
,
A Melzer
2   Universität Leipzig, Innovation Center Computer Assisted Surgery (ICCAS), Leipzig, Deutschland
,
B Jansen-Winkeln
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Viszeral-, Transplantations-, Thorax- und Gefäßchirurgie, Leipzig, Deutschland
,
S Braun
3   Sana Klinikum Offenbach GmbH, Institut für Pathologie, Offenbach, Deutschland
,
M Bange
3   Sana Klinikum Offenbach GmbH, Institut für Pathologie, Offenbach, Deutschland
,
H Ahle
4   Sana Klinikum Offenbach GmbH, Klinik für Allgemein- und Viszeralchirurgie, Offenbach, Deutschland
,
D Lorenz
5   Klinikum Darmstadt GmbH, Chirurgischen Klinik I – Allgemein-, Viszeral- und Thoraxchirurgie, Darmstadt, Deutschland
,
M Maktabi
2   Universität Leipzig, Innovation Center Computer Assisted Surgery (ICCAS), Leipzig, Deutschland
,
I Gockel
1   Universitätsklinikum Leipzig, Klinik und Poliklinik für Viszeral-, Transplantations-, Thorax- und Gefäßchirurgie, Leipzig, Deutschland
› Author Affiliations
Further Information

Publication History

Publication Date:
13 August 2019 (online)

 
 

    Hyperspektrale Bildgebung (HyperSpectral Imaging – HSI) ist eine neue und innovative bildgebende Technik. Die HSI-Technologie verbindet dabei Bildgebung mit Spektroskopie und kann zur Identifizierung und Klassifizierung von malignen und nicht-malignen Zellen unter der Anwendung von künstlicher Intelligenz (KI) verwendet werden. Mittels HSI wird Licht zwischen dem sichtbaren (500nm) und dem nahen Infrarotbereich (1000nm) aufgenommen.

    Es wurde eine Machbarkeitsstudie an Resektaten von Patienten mit ösophagealem Adenokarzinom durchgeführt, um zwischen unverhorntem Plattenepithel und Karzinomzellen zu diskriminieren. In 22 der 45 untersuchten Präparate konnten Anteile von unverhorntem Plattenepithel identifiziert werden. Die untersuchten Präparate wurden mittels Formaldehyd fixiert, in 3 µm dicke Schnitte geschnitten und mit Hämatoxylin und Eosin (HE) standardisiert angefärbt. Es wurde ein nicht-parametrischer kontrollierter Lernalgorithmus („K-nearest neighbours” (k-NN)) zur Klassifizierung angewendet.

    Es war uns möglich in allen 45 untersuchten Präparaten ösophageale Adenokarzinomzellen mittels HSI zu untersuchen. Unterschiede in der Absorbanz von Plattenepithel- und Adenokarzinomzellen konnten zwischen den Wellenlängen 500nm und 700nm detektiert werden. Hierbei war die Varianz innerhalb einer Gruppe gering. Die Anzahl der aufgenommenen Spektren betrug 333,275 (Adenokarzinom) und 74,000 (Plattenepithel). Die Spezifität, Sensitivität und Präzision der verwendeten k-NN (k = 5) Klassifikation waren für die Adenokarzinomzellen 0,74, 0,92 und 0,94.

    Zellen des ösophagealen unverhornten Plattenepithels und des ösophagealen Adenokarzinoms zeigen spezifische Unterschiede in ihrem Absorptionsspektrum. Diese Charakteristika könnten für einen computer-assistierten Algorithmus für die semi-automatische Diskriminierung auf das Vorhandensein von ösophagealen Adenokarzinomzellen in HE-gefärbten Präparaten genutzt werden, um Entscheidungsprozesse in der histopathologischen Diagnostik zu unterstützen.


    #