KI-gestützte Mikroskopiebildanalyse in Pharma und Biotech

Computer mit künstlicher Intelligenz (KI) ahmen die menschliche Intelligenz nach. Die KI kann lernen, bestimmte Objekte in Bildern zu identifizieren, ohne dass sie hierfür explizit programmiert werden muss. Dieser Ablauf ist mit dem Lernen beim Menschen vergleichbar.

Machine Learning (ML) ist eine Form der KI, bei der die Maschinen durch die Extraktion von Merkmalmustern aus Daten lernen. ML kann Merkmale erfassen, die über die bloße Pixelintensität hinausgehen (z. B. Texturinformationen). So lassen sich robustere Ergebnisse für Datensätze erzielen, die sehr heterogene Bilder enthalten.

Deep Learning (DL) ist eine spezielle Form von ML, die aus der Interpretation immenser Datenmengen mit Millionen von Parametern lernt. Der DL-Algorithmus erfordert zwar mehr Eingangsdaten, kann jedoch nachbilden, wie die Daten in mehreren Ebenen vernetzter Neuronen verarbeitet werden. Damit ist auch die Verarbeitung äußerst komplexer, schwer zu segmentierender Datensätze möglich.

Wir trainieren unsere KI anhand einer repräsentativen Teilmenge von Bildern mit relevanten Merkmalen (z. B. Zellkerne). Statt eine Sequenz mit Verarbeitungsschritten zu definieren, um das gewünschte Segmentierungsergebnis zu erzielen (wie bei der konventionellen Bildanalyse), wird das gewünschte Ergebnis im Training verstärkt. Die KI optimiert den Algorithmus auf diese Weise automatisch für genau diese Segmentierung. KI-gestützte Analyse-Pipelines liefern auch dann hervorragende Ergebnisse, wenn sie in besonders anspruchsvollen Imaging-Szenarien zum Einsatz kommen, wie bei kontrastarmen (z. B. markierungsfreien) Bildern oder Bildern mit hoher Objektdichte (z. B. konfluente Zellkultur oder Gewebe). KI-Pipelines lassen sich zudem schnell und einfach automatisieren und auf große Datensätze anwenden, um robuste, statistisch relevante Erkenntnisse zu biologischen Phänomenen zu erfassen.