(mu)ROMI – Robust and Accurate Multi-Tumor, Multi-Species, Multi-Laboratory and Multi-Scanner Mitosis Detection

Neoplasien zählt zu den häufigsten Todesursachen bei Mensch und Tier und erfordert präzise Behandlungsentscheidungen, die auf pathologischen Tumoranalysen basieren. Eine zentrale Rolle spielt dabei die Mitosenzahl (MC) als Prognosefaktor. Das Forschungsprojekt zeigt jedoch, dass Variabilitäten durch heterogene Verteilungen, beobachterabhängige Unterschiede und technische Grenzen die Übereinstimmung zwischen Pathologen beeinträchtigen und das Risiko falscher Prognosen erhöhen.

Mittels computergestützter Bildanalyse, basierend auf Deep-Learning-Methoden, konnten Algorithmen entwickelt werden, die menschliche Pathologinnen in der Klassifizierung histopathologischer Bilder übertreffen. Dadurch wird eine präzisere Tumorprognose mit kostengünstigen H&E-gefärbten Präparaten ermöglicht.

Ein repräsentativer, multidisziplinärer Referenzdatensatz ist entscheidend, um die hohe Variabilität in der Histopathologie (z. B. Färbungen, Spezies, Gewebetypen, Digitalisierungsgeräte) zu bewältigen und Domänenverschiebungen zu minimieren. Domänenanpassungsstrategien sind essentiell, um robuste Softwarelösungen zu entwickeln, die diese Vielfalt berücksichtigen.

Ziel des Projekts ist es, mithilfe von Deep Learning die klinische Entscheidungsfindung zu verbessern. Es vereint Partner aus Deutschland und Österreich, darunter führende Experten aus der Medizin und Informatik.

Eckdaten