Promotionsvortrag von Fabian Hörst

Die Histopathologie ist ein wichtiger Bestandteil der Diagnose und Behandlung von Krankheiten und basiert traditionell auf der manuellen Beurteilung von Gewebeproben. Mit der Entwicklung von Whole-Slide-Images (WSI) und Deep Learning-Techniken können automatisierte und quantitative Gewebeanalysen durchgeführt werden.
In dieser Arbeit wird eine umfassende Deep Learning-Pipeline für die quantitative histopathologische Bildanalyse vorgeschlagen, die von der Datenverarbeitung der WSI über die Entwicklung von Algorithmen für die Segmentierung auf Gewebe- und Zellebene bis hin zur klinischen Anwedung in einem End-to-End-Workflow reicht. Der Ansatz verbessert nicht nur die quantitative Auswertung von WSI, sondern extrahiert auch diagnostische und prognostische Marker und charakterisiert automatisch die Gewebedynamik durch morphologische Gewebemerkmale.
Bei der Segmentierung von Gewebeschnitten in Entitäten wie tumorös oder nicht-tumorös müssen sowohl globale Gewebemuster als auch lokale Zellmorphologien berücksichtigt werden. In dieser Arbeit stellen wir das Memory Attention Framework vor, welches die adaptive Einbeziehung des Gewebekontexts während der feingranularen lokalen Segmentierung ermöglicht. Die Methode wurde auf zwei öffentlichen Datensätzen (Brust, Leber) und einem internen Nierenkarzinomdatensatz evaluiert, wobei eine Verbesserung gegen über existierenden Segmentierungsansätzen nachgewiesen werden konnte. Insbesondere konnte die Zahl der falsch-positiven Tumorregionen reduziert werden. Darauf aufbauend haben wir die Methode auf einer Kohorte von 400 internen und 182 externen Patienten mit Pankreaskarzinomen angewandt, um die Mikroumgebung des Tumors zu quantifizieren und mit der Überlenszeit der Patienten zu korrelieren. Auf diese Weise konnten wir die Patienten anhand der Gewebezusammensetzung und der räumlichen Tumor-Stroma-Verteilung in zwei Risikogruppen einteilen, die signifikante Unterschiede (p < 0.05) in ihrer Überlebenswahrscheinlichkeit aufwiesen.
Neben der Gewebesegmentierung ist auch die Segmentierung auf zellulärer Ebene notwendig, um die Gewebezusammensetzung auch auf mikroskopischer Ebene zu analysieren. Die vorgeschlagenen Modelle CellViT und CellViT++ konnten zeigen, dass sie auf mehreren Benchmark-Datensätzen, die ein breites Spektrum von Gewebetypen und Zellklassen abdecken, herrausragende Ergebnisse erzielen. Sie erfordern nur minimale Datenmengen für die Anpassung an neue Zellklassen. Diese Fähigkeit ermöglich eine wesentlich schnelle Anpassung des Netzwerkes an neue Taxonomien.
Zusammenfassend zeigt diese Arbeit das Potenzial von Deep-Learning-Techniken zur Quantifizierung von Gewebe sowohl auf Makro- als auch auf Mikroebene, um diagnostische Arbeitsabläufe zu verbessern und prognostische Marker zu identifizieren.