Photonic Data Science: Erforschung künstlicher Intelligenz im Leibniz-Forschungsverbund wird gestärkt

| Das Jenaer Leibniz-Institut für Photonische Technologien (Leibniz-IPHT) verstärkt die Erforschung künstlicher Intelligenz (KI) und lernender Systeme und wird auf KI basierende Technologien noch stärker in den Forschungsverbund "Leibniz Gesundheitstechnologien" einbringen. Die am Leibniz-IPHT neu gegründete Forschungsabteilung „Photonic Data Science“ widmet sich insbesondere der Auswertung von Bild- und Spektralaufnahmen mit chemometrischen Methoden und maschinellen Lernmethoden. In Kooperation mit Leibniz-Partnern wie dem Leibniz-Institut für Plasmaforschung und Technologie (INP) und dem Weierstraß-Institut für Angewandte Analysis und Stochastik (WIAS) sollen damit in den Kompetenzfeldern "Bildgebende Methoden" und "Point-of-Care-Technologien" schnelle und exakte Diagnoseverfahren entstehen.

Am Leibniz-IPHT gefertigte Platinen für die Point-of-Care-Diagnostik per Raman-Spektroskopie: Durch die Kombination mit KI-basierten Auswerteverfahren soll eine schnellere und exaktere Diagnostik realisiert werden. (Foto: Sven Döring)

Welches Antibiotikum braucht die Patientin mit der lebensbedrohlichen Infektion? Hat der Chirurg bei der Operation den gesamten Tumor entfernt? Und wie wirken sich plasmamedizinische Ansätze auf erkranktes Gewebe aus? Um dies herauszufinden, kombinieren Wissenschaftler im Forschungsverbund "Leibniz Gesundheitstechnologien" optische Methoden mit künstlicher Intelligenz (KI) und lernenden Systemen. Mit der neuen Abteilung „Photonic Data Science“ wird künftig insbesondere das Leibniz-IPHT die Forschung im Bereich der der KI-gestützten Diagnostik verstärken und mit weiteren Partnern im Forschungsverbund kooperieren.

Medicars – Exakte Tumorerkennung durch maschinelles Lernen

KI steckt etwa hinter dem kompakten Mikroskop "Medicars" für eine schnelle Krebsdiagnostik während einer Operation. Hier werden Muster und molekulare Details einer mit Laserlicht bestrahlten Gewebeprobe automatisch ausgewertet und in klassische Bilder der Standard-Diagnostik übersetzt. So werden Tumorränder sichtbar, und das Chirurgenteam kann entscheiden, wie viel Gewebe weggeschnitten werden muss.

„Dazu trainieren wir KI-Algorithmen zusammen mit Pathologen“, erläutert Leiter PD Dr. Thomas Bocklitz, der mit seiner Abteilung „Photonic Data Science“ computergestützte Verfahren erforscht, um biomedizinische Informationen aus optischen Messdaten zu gewinnen. „Wir nehmen Multimodalbilder einer Gewebeprobe mit unserem laserbasierten Multimodalmikroskop auf. In der Pathologie wird der Gewebeschnitt dann eingebettet, gefärbt und ein Bild des HE-gefärbten Gewebeschnitts gemacht (HE = Hämatoxylin-Eosin). Auf diesem kann der Pathologe Tumorgewebe erkennen. Dann legen wir das Multimodal- und das HE-Bild nebeneinander.“ Ausgehend von der Analyse der Gewebestruktur- und -morphologie durch den Pathologen bringt das Forscherteam dem Algorithmus bei, welches Gewebe gesund und welches krank ist. „So lernt der Algorithmus in diesem überwachten Ansatz sukzessive, gesunde und kranke Bereiche zu unterscheiden.“ Mit Erfolg: Die Genauigkeit der Vorhersagen liegt nach Tests an einer kleinen Gruppe von Patienten bei mehr als 90 Prozent.

Zusammenarbeit zwischen den Mitgliedern im Forschungsverbund

Gemeinsam mit Mitgliedern des Forschungsverbundes werden die dabei angewandten Algorithmen konsequent weiterentwickelt und gezielt zur Anwendung in Medizinprodukten geführt – angefangen bei der mathematisch-statistischen Optimierung durch die Experten des WIAS über die Einbindung der Erfahrung aus der astronomischen Bild- und Spektralanalyse durch das Leibniz-Institut für Astrophysik Potsdam bis hin zum Therapiemonitoring durch das INP in Greifswald.

Ein weiteres Ziel der neuen Abteilung am Leibniz-IPHT ist der Aufbau einer Forschungsdateninfrastruktur, die zunächst im gesamten Institut und in der Folge auch von Verbundpartnern genutzt werden kann: „Hier am Leibniz-IPHT wollen wir eine Datenbank aufbauen, in der wir alle Messdaten ablegen und zusammenführen, welche die Forschende hier in Jena aber auch an Partnerinstituten generieren“, so Thomas Bocklitz. Mit dieser Verknüpfung könnten Wissenschaftler nicht nur von der Forschung anderer profitieren. Es werde auch verhindert, dass Experimente, die nicht funktioniert haben — und deshalb nicht publiziert wurden —, immer wieder wiederholt werden. „Damit wird die Dateninfrastruktur eine zentrale Grundlage für unsere Forschung und für weitere KI-Anwendungen."