Bildbasierte Auswertung in Screening und Diagnostik

Automatisierte Mikroskopie erzeugt mehr Aufnahmen, als ein Labor auswerten kann. Die Auswertung von Hand ist langsam und, schwerer wiegend, schlecht reproduzierbar: Zwei Auswertende kommen bei denselben Bildern zu unterschiedlichen Zahlen.

Dazu kommen technische Störfaktoren, die man nicht ignorieren kann: Beleuchtungsunterschiede zwischen Platten, Fokusdrift, Randeffekte in Wells, Chargenunterschiede in der Färbung, sich berührende und überlappende Objekte. Ein Modell, das auf einer Platte funktioniert und auf der nächsten versagt, verschiebt das Problem, statt es zu lösen.

Aufnahmen aus High-Content-Screening, Mikroskopie-Stapel, Whole-Slide-Aufnahmen (WSI). Dazu, und das ist der begrenzende Faktor, Annotationen: Der Aufwand für die Annotation von Trainingsbeispielen ist in der Praxis der eigentliche Kostenblock, nicht die Rechenzeit.

Das Modell lernt die Platte statt die Biologie. Wenn Kontrollen immer in denselben Wells liegen oder Behandlungsgruppen plattenweise verarbeitet werden, ist die Plattenherkunft das stärkste Signal im Bild. Das Modell nutzt es – und versagt, sobald das Layout wechselt.

Aufteilung auf Bildebene statt auf Probenebene. Landen Kacheln desselben Präparats gleichzeitig in Training und Test, ist die Metrik massiv überschätzt. Die Aufteilung muss auf der Ebene erfolgen, auf der später auch die Entscheidung fällt: Probe, Patient, Charge.

Die Annotationsqualität wird nicht gemessen. Ein Modell kann nicht besser werden als seine Referenz. Ohne gemessene Interrater-Übereinstimmung zwischen mehreren Annotierenden weiß niemand, wo die erreichbare Obergrenze liegt – und ob 92 % ein gutes oder ein schlechtes Ergebnis sind.

Erst die Messgröße, dann das Modell. Was genau soll gezählt, vermessen oder klassifiziert werden, und wie genau muss die Zahl stimmen, damit eine Entscheidung darauf aufbauen kann? Diese Frage bestimmt die Architektur, nicht umgekehrt.

Segmentierung vor Klassifikation. Einzelne Objekte sauber voneinander zu trennen ist bei biologischen Aufnahmen der schwierigere Teil. Für Zellen und Zellkerne nutzen wir etablierte spezialisierte Modelle wie Cellpose und StarDist, für großflächige Präparate gekachelte Verarbeitung mit Überlappung.

Annotationsaufwand senken. Vortrainierte Modelle liefern Merkmalsrepräsentationen, die sich mit wenigen annotierten Beispielen auf eine neue Fragestellung übertragen lassen. Das verschiebt den Aufwand von der Annotation zur Auswertung.

Robustheit prüfen, nicht hoffen. Auswertung getrennt nach Platte, Charge und Standort. Ein Modell gilt für uns erst als brauchbar, wenn es auf Aufnahmen funktioniert, die es im Training nicht gesehen hat.

Die Qualität der Annotation begrenzt die Qualität des Modells – und bei klinischen und histologischen Aufnahmen kann diese Annotation nicht von Hilfskräften kommen. Wir arbeiten dafür mit einem spezialisierten Annotationspartner zusammen, der klinische Daten gemeinsam mit Ärztinnen und Ärzten annotiert.

Das löst zwei Probleme auf einmal. Erstens entsteht eine fachlich belastbare Referenz statt einer plausibel aussehenden. Zweitens lässt sich mit mehreren ärztlichen Annotierenden die Übereinstimmung zwischen ihnen messen – und damit die erreichbare Obergrenze für jedes Modell überhaupt bestimmen. Ohne diese Zahl fehlt jeder Modellmetrik der Maßstab.

Quantifizierte Messwerte je Objekt statt einer Klassifikation je Bild, eine Qualitätsauswertung, die Störfaktoren sichtbar macht, und eine reproduzierbare Pipeline mit versioniertem Modellstand – Ausgabe in einer Form, die Fachbereiche ohne Bildverarbeitungskenntnisse nutzen können.

Bildanalyse ist bei uns keine neue Disziplin. Wir haben Segmentierungs- und Erkennungsmodelle in Projekten gebaut, in denen dieselben Probleme auftreten – kleine Objekte in großen Aufnahmen, uneinheitliche Beleuchtung, überlappende Strukturen:

• Pixelgenaue Segmentierung von Rissen mit 97 % True-Positive-Rate
• Objekterkennung in Orthofotos mit über 99 % Trefferquote
• Erkennung von Borkenkäferbefall auf Luftbildern mit Fast-R-CNN
• Feldschaden-Erkennung über Drohnenbilder

Die Domäne unterscheidet sich, die methodische Aufgabe nicht: aus einer großen Aufnahme verlässlich zählbare Objekte machen.