Home Medizin Revolutionierung der Prostatakrebsdiagnostik mit 3D-Pathologie und Deep Learning

Revolutionierung der Prostatakrebsdiagnostik mit 3D-Pathologie und Deep Learning

von NFI Redaktion

Prostatakrebs ist eine häufige Bedrohung für die Gesundheit von Männern und führt in den Vereinigten Staaten zu einer hohen Anzahl an krebsbedingten Todesfällen. Jedes Jahr erhalten etwa 250.000 Männer in den USA die Diagnose Prostatakrebs. Während die meisten Fälle eine geringe Morbidität und Mortalität aufweisen, erfordern einige Fälle eine aggressive Behandlung. Die Einschätzung der Behandlungsnotwendigkeit basiert hauptsächlich auf dem Gleason-Score, der die histologische Beurteilung der Prostatastruktur darstellt. Allerdings gibt es bei der Interpretation des Scores erhebliche Unterschiede, die zu Über- oder Unterversorgung führen können.

Die herkömmliche histologische Methode weist einige Einschränkungen auf. Nur ein kleiner Teil der Biopsie wird in 2D betrachtet, was zu dem Risiko führt, wichtige Details zu übersehen. Zudem können komplexe 3D-Drüsenstrukturen bei der Betrachtung in 2D-Gewebeschnitten mehrdeutig sein. Um diese Mängel zu beheben, haben Forscher zerstörungsfreie 3D-Pathologiemethoden entwickelt, die eine vollständige Abbildung von Biopsien ermöglichen und gleichzeitig die Gewebeintegrität bewahren.

Neue Techniken zur Gewinnung von 3D-Pathologiedaten ermöglichen eine verbesserte Risikobewertung von Prostatakrebs. Eine kürzlich veröffentlichte Studie in der Zeitschrift für biomedizinische Optik (JBO) nutzte ein Deep-Learning-Modell zur Verbesserung der 3D-Segmentierung von Drüsengewebestrukturen, die für die Risikobewertung von Prostatakrebs entscheidend sind.

Das Forschungsteam der University of Washington in Seattle entwickelte das Deep-Learning-Modell nnU-Net, um präzise 3D-Segmentierungen von Prostata-Drüsen zu generieren. Das Modell wurde direkt auf 3D-Segmentierungsdaten trainiert und liefert wertvolle Einblicke in die Gewebezusammensetzung für prognostische Analysen.

Unsere Ergebnisse zeigen die bemerkenswerte Genauigkeit von nnU-Net bei der 3D-Segmentierung von Prostatadrüsen, selbst mit begrenzten Trainingsdaten, und bieten eine einfachere und schnellere Alternative zu unseren bisherigen 3D-Drüsensegmentierungsmethoden. Insbesondere bleibt die Leistung auch bei Eingaben mit niedrigerer Auflösung erhalten, was möglicherweise den Ressourcenbedarf reduziert.“


Professor Jonathan TC Liu, University of Washington

Dieses neue Deep-Learning-basierte 3D-Segmentierungsmodell bedeutet einen Fortschritt in der computergestützten Pathologie von Prostatakrebs. Es bietet die Möglichkeit, genaue Charakterisierungen von Drüsenstrukturen für wichtige Behandlungsentscheidungen zu nutzen und letztendlich die Patientenergebnisse zu verbessern. Dieser Fortschritt zeigt das Potenzial von rechnergestützten Ansätzen zur Verbesserung der medizinischen Diagnostik und ebnet den Weg für eine personalisierte Medizin mit wirksameren Interventionen.

Die computergestützte 3D-Pathologie erweitert die Grenzen der herkömmlichen Histologie und ermöglicht wertvolle Einblicke in den Krankheitsverlauf, um Interventionsmaßnahmen an die individuellen Bedürfnisse der Patienten anzupassen. Mit diesem Fortschritt beginnt eine neue Ära der Präzision und Möglichkeiten im Kampf gegen Prostatakrebs.

Quelle:

SPIE – Internationale Gesellschaft für Optik und Photonik

Zeitschriftenreferenz:

Wang, R., et al. (2024). Direkte dreidimensionale Segmentierung der Prostata mit nnU-Net. Zeitschrift für biomedizinische Optik. doi.org/10.1117/1.jbo.29.3.036001.

Related Posts

Adblock Detected

Please support us by disabling your AdBlocker extension from your browsers for our website.