Für die Wissenschaft. Für Berlin.

Malaria am Mikroskop mit künstlicher Intelligenz besser erkennen

Prototyp eines Mikroskops zur Malaria-Diagnostik. Foto: Roarke Horstmeyer, Duke University

Der Nachweis von Malaria-Erregern im Blut erfordert medizinische Fachkenntnisse und kostet Zeit. Ingenieure zeigen jetzt, wie mit künstlicher Intelligenz und einer LED-Lichtquelle eine genauere Diagnostik gelingt. An der Forschung ist Roarke Horstmeyer beteiligt, ehemaliger Einstein International Postdoctoral Fellow am Bioimaging and Neurophotonics Lab der Charité-Universitätsmedizin und der Humboldt-Universität zu Berlin.

Jahr für Jahr sterben 450.000 bis 500.000 Menschen an Malaria, berichtet die Weltgesundheitsorganisation (WHO). Ein Großteil der Betroffenen sind Kinder. Doch nicht nur fehlende Arzneimittel machen die Behandlung zum Problem. Vor Ort gibt es oft keine medizinischen Fachkräfte, die Malaria überhaupt erkennen könnten.Denn das diagnostische Verfahren erfordert medizinisches Fachwissen. Bei Malaria infizieren bestimmte Einzeller, die Plasmodien, rote Blutkörperchen. Ein Blutstropfen wird auf Glasplatten ausgestrichen, mit Reagenzien angefärbt und mikroskopisch beurteilt. Das Verfahren selbst gilt ohne entsprechende Erfahrung als fehleranfällig. Deshalb haben Ingenieure der Duke University in Durham (North Carolina) ein Mikroskop entwickelt, das Lichtwinkel, Farben und Muster anpasst, um die Erkennung von Parasiten im Blut zu erleichtern.

Mikroskop mit neuer Beleuchtungseinheit
„Ein Standardmikroskop beleuchtet Proben mit der gleichen Lichtmenge aus allen Richtungen, und diese Beleuchtung wurde über Jahrhunderte für das menschliche Auge optimiert“, erklärt Roarke Horstmeyer. Er ist Assistenzprofessor für Biomedizinische Technik an der Duke University. An der grundlegenden Technik habe sich lange Zeit kaum etwas verändert. „Aber Computer können Dinge erkennen, die Menschen nicht sehen können“, so Horstmeyer weiter. „Wir haben also nicht nur die Hardware neu gestaltet, um eine Vielzahl von Beleuchtungsmöglichkeiten zu bieten, sondern auch dem Mikroskop ermöglicht, die Beleuchtung selbst zu optimieren.“

Anstatt – wie bisher – weißes Licht von unten zu streuen, um Proben gleichmäßig zu durchstrahlen, entwickelten die Ingenieure eine schalenförmige Lichtquelle mit LEDs, welche in die gesamte Oberfläche integriert sind. Dadurch können Proben aus verschiedenen Winkeln mit unterschiedlichen Farben beleuchtet werden. Je nach Muster der verwendeten LEDs entstehen im Objekt unterschiedliche Schatten, damit Merkmale einer Probe – etwa Infektionen mit Plasmodium – hervorgehoben werden.

Künstliche Intelligenz optimiert die Darstellung

Im nächsten Schritt untersuchten die Forschenden Hunderte von nachweislich mit Malaria infizierten Blutproben mit ihrem Mikroskop. Wie in der Praxis üblich, handelte es sich um Blutausstriche auf Glasplättchen, den Objektträgern. Bei dem Verfahren bleiben Zellen intakt und können so beurteilt werden. Horstmeyer optimierte die Beleuchtung mit einem maschinellen Lernalgorithmus. Sein Convolutional Neural Network („faltendes neuronales Netzwerk“) bildet biologische Lernprozesse, wie sie in Nervenzellen vorkommen, nach. Anhand der Trainingsdaten, also der Proben mit bekannter Malaria-Infektion, wurden Einstellungen für die Beleuchtungseinheit immer weiter optimiert.

Algorithmus für unterschiedliche Mikroskope geeignet
Nach etlichen Durchläufen errechnete der Algorithmus ein ringförmigen LED-Beleuchtungsmuster aus verschiedenen Farben, das Proben mit einem relativ steilen Winkel beleuchtete. Die Bilder sind zwar stärker verrauscht als normale mikroskopische Aufnahmen. Sie heben Malaria-Parasiten aber mit starkem Kontrast hervor. Die Erreger wurden nach Abschluss der Trainingsphase in 90% aller Proben korrekt erkannt. Zum Vergleich: Geschulte Ärzte kommen auf 75%. Angelernte Laien schneiden deutlich schlechter ab, wobei den Entwicklern hier keine Zahlen vorliegen.


Die Forschenden zeigten auch, dass ihr Mikroskop dicke Blutausstriche gut auswerten kann. Hier bilden roten Blutkörperchen einen sehr uneinheitlichen Hintergrund. Anders als bei dünnen Ausstrichen sind solche Proben kontrastreicher. Ärzte brauchen aber mehr Zeit zur Vorbereitung. Der Algorithmus des maschinellen Lernens war in 99% aller Fälle erfolgreich.

Im nächsten Schritt stellte Horstmeyer sein LED-Muster und den Sortieralgorithmus Forschungspartnern zur Verfügung, um zu sehen, inwieweit sich seine Technologie auf andere Mikroskope übertragen lässt. Die Labors erzielten ähnliche Resultate; die Hardware scheint hier keine Rolle zu spielen.

Bessere Diagnostik vor Ort
Vom Labor in die Praxis: Absolventen des Duke Engineering haben jetzt das Startup-Unternehmen SafineAI gegründet, um ihr LED-Mikroskop zu miniaturisieren: eine wichtige Voraussetzung für den Transport in entlegene Gebiete. Dafür konnten sie 120.000 US-Dollar bei einem lokalen Pitch-Wettbewerb einwerben. Horstmeyer selbst arbeitet daran, den Algorithmus weiter zu verbessern.

Er sieht in seiner Entwicklung aber auch Einsatzmöglichkeiten jenseits von Entwicklungsländern: „Ärzte müssen etwa tausend Zellen betrachten, um einen einzigen Malaria-Parasiten zu finden“, so Horstmeyer. „Und weil sie nah heranzoomen müssen, können sie sich nur vielleicht ein Dutzend auf einmal ansehen.“ Und so dauert die Auswertung einer Probe schon mal zehn Minuten oder länger. Hier gebe es erhebliche Möglichkeiten, Zeit zu sparen.


Über Roarke Horstmeyer

Roarke Horstmeyer ist Assistant Professor of Biomedical Engineering an der Duke University in Durham, North Carolina, USA. Von 2016 bis 2017 forschte Horstmeyer als Einstein International Postdoctoral Fellow am Bioimaging and Neurophotonics Lab der Charité-Universitätsmedizin und der Humboldt-Universität zu Berlin.


Einstein International Postdoctoral Fellowship

Das Programm ermöglicht bereits geförderten junge Spitzenforscherinnen und -forscher von Berliner Hochschulen ihre Nachwuchsgruppe durch eine Postdoktorandin oder einen Postdoktoranden aus dem Ausland zu verstärken. Weitere Informationen zur Förderlinie finden Sie hier.


Text: Michael van den Heuvel

Quelle: ingenieur.de