EMPAIA Markerquantifizierung

Praxisbeispiel und aktuelle Herausforderungen

• Ist der Befund des entnommenen Gewebes positiv oder negativ? Das ist die zentrale Frage für viele Patienten, die möglicherweise eine Krebsdiagnose befürchten. Um eine gezielte Therapie zu ermöglichen, werden genetische Eigenschaften von Zellen mit Färbungen optisch markiert. Wichtig dabei ist das Bestimmen des Anteils derart markierter Zellen oder Gewebebestandteile. Diese sogenannte Markerquantifizierung, ist ein essenzieller Bestandteil der histopathologischen Diagnostik durch einen Pathologen und eine Grundlage der Therapie.
• Die überwiegend automatisierte Markerquantifizierung bietet das Potenzial für die vermehrte Nutzung von künstlicher Intelligenz in der Pathologie, da sie zu einer zuverlässigeren und schnelleren Beurteilung des Befundes führt. Ein Problem liegt jedoch in der Nutzung unterschiedlicher Marker und Digitalisierungssysteme.
• Der Markteintritt KI-gestützter Anwendungen zur Markerquantifizierung scheitert deshalb meist an der Variabilität der Bedingungen vor Ort und einer fehlenden Validierung und Zertifizierung von Anwendungen. Eine Lösung ist der Aufbau eines breiten Datenpools, der sowohl die Grundlage für die Entwicklung von Lösungen als auch für deren Validierung bilden kann. Digitalisierte histologische Schnitte und die Möglichkeit zur breiten klinischen Anwendung sind kritische Erfolgsfaktoren für die Entwicklung einer Anwendung.
• Eine zusätzliche Herausforderung ist die gegenwärtige Intransparenz und Unvergleichbarkeit von Lösungen, die eine Qualitätssicherung in der Breite verhindert. Ein Benchmarking von Ergebnissen und eine Weiterentwicklung sind durch die Nutzung einer gemeinsamen Infrastruktur von Daten, Anwendungen und Dienstleistungen von Unternehmen möglich. Nur dann kann eine flächendeckende Qualitätssicherung etabliert werden.
• Ein wichtiges Element dieser Lösung ist die Bereitstellung eines Datenmarktplatzes, der Daten zur Entwicklung von KI-Anwendungen zur Markerquantifizierung transparent bereitstellt und das Labeln von Datensätzen sowie Benchmarking ermöglicht und die Modelle zugänglich macht.

Welchen Mehrwert bietet das „Projekt GAIA-X“?

• GAIA-X ermöglicht eine sichere Datenablage in der Cloud und etabliert einen Berechtigungs- und Sicherheitsmechanismus, um Trainings- und Validierungsdaten zu trennen und unabhängig voneinander zugänglich zu machen – zudem wird die transparente, anonymisierte Datenspeicherung für das Benchmarking unterstützt. Entwickler, Serviceanbieter und Anwender können so gemeinsam in unabhängigen Teams an einer stetigen Verbesserung von Lösungen arbeiten.
• Die Einbindung von Cloud-Speichern in Deutschland oder der EU als GAIA-X-Knoten in eine gemeinsame Dateninfrastruktur erlaubt eine dezentrale und datenschutzkonforme Anwendung von KI-Algorithmen genau dort, wo die sensiblen Daten liegen. GAIA-X wird dabei Edge-Knoten für Großanwender anbinden. Die Qualitätssicherung vor Ort kann durch Institutionen übergreifendes Benchmarking in idealer Weise ergänzt werden.

Paten

• Prof. Dr. Peter Hufnagl, Charité – Universitätsmedizin Berlin, Projektkoordinator EMPAIA.org
• Prof. Dr, Sahin Albayrak – TU Berlin, DAI-Labor
• Prof. Dr. Horst Hahn – Fraunhofer MEVIS
• Thomas Pilz – Qualitätssicherungs-Initiative Pathologie QuIP GmbH