KI-gestützte Gewebeanalyse auf Basis der optischen Kohärenztomographie für die Tumorerkennung in der Neurochirurgie

Abstract

Hirntumorerkrankungen stellen für Patient:innen und ihr Umfeld eine erhebliche Belastung dar. Der chirurgische Eingriff ist ein zentraler Bestandteil der Therapie, wobei das vollständige Entfernen von Tumorgewebe für das Überleben entscheidend ist. Gleichzeitig erschwert das diffuse Wachstum vieler Tumoren die intraoperative Abgrenzung von gesundem Gewebe, da etablierte Methoden wie MRT oder Fluoreszenzmikroskopie nur eingeschränkt zuverlässig sind.

Die optische Kohärenztomographie (OCT) bietet eine kontaktfreie, nichtinvasive Bildgebung mit mikrometergenauer Auflösung und stellt eine vielversprechende Alternative dar. Diese Arbeit untersucht die OCT hinsichtlich ihrer Eignung zur Identifikation von Tumorgewebe und Infiltrationszonen. Grundlage ist ein weltweit einzigartiger Datensatz aus rund 700 pixelweise annotierten OCT-B-Scans, die im Rahmen einer klinischen Studie mit 21 Patient:innen ex-vivo während Resektionen aufgenommen wurden. Zwei OCT-Systeme mit unterschiedlichen Wellenlängen und Auflösungen kamen zum Einsatz. Histologische Schnittbilder wurden neuropathologisch annotiert und durch ein formbasiertes Verfahren auf korrespondierende OCT-B-Scans übertragen.

Die Analyse begann mit einem Vergleich der Systeme anhand optischer Gewebeeigenschaften und einer binären Klassifikation zwischen gesundem und tumorösem Gewebe. Während keine signifikanten Unterschiede zwischen den Systemen erkennbar waren, konnte weiße Masse zuverlässig von stark infiltrierter weißer Masse (>60 %) unterschieden werden (Genauigkeit: 91 %). Graue Masse zeigte jedoch hohe Ähnlichkeiten mit Tumorgewebe, was die Genauigkeit bei Einbezug zusätzlicher Gewebetypen auf etwa 60 % reduzierte.

Zur Verbesserung wurden strukturelle Eigenschaften einbezogen und sowohl klassische Methoden als auch maschinelles Lernen angewandt. Neuronale Netze ermöglichten eine Klassifikation in drei Klassen (weiße Masse, graue Masse, stark infiltrierte weiße Masse). Mit einem evidenzbasierten Lernansatz konnten Klassifikationsunsicherheiten quantifiziert werden. Für sichere Vorhersagen über alle Methoden hinweg ergaben sich eine Präzision und Sensitivität von jeweils 83 %.

Die Ergebnisse belegen das Potenzial der OCT für die intraoperative Tumorerkennung und schaffen eine Grundlage für weitere klinische Forschung.