Ein internationales Forscherteam hat in einem umfassenden Review die Kombination von Autofluoreszenz-Bildgebung (AF) mit Deep-Learning-Methoden als vielversprechenden Ansatz für die frühe, markerfreie Erkennung von Krankheiten beschrieben. Die Integration ermöglicht es, metabolische und mikrostrukturelle Veränderungen im Gewebe sichtbar zu machen, lange bevor klassische morphologische Veränderungen auftreten. Die Übersichtsarbeit wurde in der Fachzeitschrift Frontiers in Artificial Intelligence veröffentlicht.
خلفية
Viele Erkrankungen, darunter Krebsvorstufen, Diabetesfolgen und chronische Entzündungen, beginnen mit biochemischen und metabolischen Veränderungen im Gewebe. Diese frühen Veränderungen sind mit herkömmlichen bildgebenden Verfahren oft noch nicht sichtbar. Die Autofluoreszenz-Bildgebung nutzt die natürliche Fluoreszenz körpereigener Moleküle (z. B. NADH, FAD, Kollagen, Lipofuszin), um ohne Farbstoffe oder Kontrastmittel metabolische und strukturelle Informationen zu gewinnen. Deep-Learning-Algorithmen können diese komplexen optischen Signale analysieren und Muster erkennen, die dem menschlichen Auge verborgen bleiben.
Technologische Grundlage
Autofluoreszenz entsteht durch endogene Fluorophore, die Aufschluss über den Zellstoffwechsel, den Redox-Status, mitochondriale Funktion und die Zusammensetzung der extrazellulären Matrix geben. Besonders aussagekräftig sind die Redox-Cofaktoren NADH und FAD sowie strukturelle Proteine wie Kollagen und Elastin.
Deep-Learning-Modelle (vor allem Convolutional Neural Networks und Transformer-Architekturen) werden eingesetzt, um aus hyperspektralen, zeitaufgelösten (FLIM) oder multispektralen AF-Daten klinisch relevante Informationen zu extrahieren. Die Kombination beider Technologien ermöglicht eine funktionelle, biochemisch begründete Bildgebung statt rein morphologischer Diagnostik.
Klinische Anwendungen
Die AF-DL-Kombination wird bereits in mehreren Fachgebieten untersucht:
- Augenheilkunde: Fundus-Autofluoreszenz (FAF) in Kombination mit DL zur Klassifikation erblicher Netzhauterkrankungen und zur Vorhersage des Fortschreitens der geografischen Atrophie bei altersbedingter Makuladegeneration.
- Hals-Nasen-Ohren-Heilkunde und Schilddrüsenchirurgie: Nahinfrarot-Autofluoreszenz zur intraoperativen Identifikation von Nebenschilddrüsen mit hoher Genauigkeit.
- Lunge: Autofluoreszenz-Bronchoskopie zur verbesserten Detektion von Frühkarzinomen und Präkanzerosen.
- Verdauungstrakt: Erkennung von Barrett-Ösophagus, kolorektalen Polypen und entzündlichen Darmerkrankungen.
- Urologie: Nicht-invasive Beurteilung von Nierenerkrankungen über autofluoreszente Zellen im Urin sowie verbesserte Blasenkrebserkennung.
- Dermatologie: Unterscheidung von Melanomen und Muttermalen sowie Messung von Advanced Glycation Endproducts (AGEs) als Marker für metabolischen Stress.
In mehreren Studien verbesserte die Kombination aus AF und Deep Learning die diagnostische Genauigkeit gegenüber reiner Autofluoreszenz oder Weißlicht-Bildgebung deutlich.
التحديات
Trotz der vielversprechenden Ergebnisse bestehen noch erhebliche Hürden:
- Starke Abhängigkeit der Signale von Gerätetyp, Beleuchtung und Gewebeoptik
- Heterogenität der Datensätze und mangelnde Standardisierung
- Begrenzte Generalisierbarkeit der Modelle auf andere Zentren
- Hoher Annotationsaufwand und Interpretierbarkeit der KI-Modelle
- Regulatorische und workflowbezogene Fragen bei Echtzeit-Anwendungen im OP oder bei der Endoskopie
نظرة مستقبلية
Die Autoren sehen die Zukunft in der Entwicklung multidimensionaler, hardware-unabhängiger Systeme, die spektrale, zeitliche und räumliche Informationen kombinieren. Wichtige nächste Schritte sind standardisierte Aufnahmeprotokolle, prospektive multizentrische Studien und die nahtlose Integration in klinische Arbeitsabläufe. Langfristig könnte die AF-DL-Kombination zu einer neuen Klasse funktioneller Bildgebungsbiomarker führen, die eine frühere, präzisere und weniger invasive Diagnostik ermöglichen.
أسئلة متكررة
Was ist Autofluoreszenz-Bildgebung?
Ein markerfreies Verfahren, das die natürliche Fluoreszenz körpereigener Moleküle (z. B. NADH, FAD, Kollagen) nutzt, um metabolische und strukturelle Gewebeveränderungen sichtbar zu machen.
Warum wird Deep Learning benötigt?
Die Autofluoreszenzsignale sind komplex und überlagern sich. KI-Modelle können subtile Muster erkennen, die mit herkömmlichen Analysemethoden nicht oder nur schwer zu interpretieren sind.
In welchen Bereichen wird die Technik bereits eingesetzt?
Besonders weit fortgeschritten sind Anwendungen in der Augenheilkunde, der Schilddrüsen- und Nebenschilddrüsenchirurgie sowie bei der endoskopischen Früherkennung von Tumoren im Kopf-Hals-Bereich und im Darm.
Welche Vorteile bietet die Kombination?
Frühere Erkennung von Veränderungen, bessere Abgrenzung von gut- und bösartigen Läsionen, Unterstützung bei der intraoperativen Navigation und potenziell eine Reduktion unnötiger Biopsien.
Wann ist mit einem breiten klinischen Einsatz zu rechnen?
Einige Anwendungen (z. B. Parathyreoidea-Identifikation) sind bereits in spezialisierten Zentren im Einsatz. Für viele weitere Indikationen sind jedoch noch größere prospektive Studien und Standardisierungen notwendig.
