Die Identifizierung von malignen Zellen in histopatholigischen Präparaten ist eine essentielle Schlüsselkomponente in der Krebsdiagnostik. Die hyperspektrale Bildgebung (Hyperspectral Imaging - HSI), die erst seit kurzer Zeit Einzug in die Medizin gehalten hat, ist eine neuartige Technologie, die Bildgebung mit der Spektroskopie verbindet. HSI erlaubt es, Aufnamen vom visuellen bis hin zum nahen Infrarotlicht (500-1000nm) durchzuführen und es könnte für die Identifizierung und Klassifizierung von Krebszellen in Kombination mit Deep-Lerning Algorithmen Anwendung finden.
In die Untersuchung wurden n=95 Resektate von Patienten mit ösophagealem Adenokarzinom eingeschossen. Diese wurden in 4 %igen Formaldehyd fixiert, in Paraffin eingebettet, 3µm dick geschnitten und mittels Hämatoxilin und Eosin (HE) standardisiert angefärbt. Die Diskriminierung und Klassifizierung wurde mittels verschiedener maschinieller Lernverfahren evaluiert.
Mittels HSI wurden Spektren von ösophagealen Adenokarzinomzellen, Tumorstroma und unvorhorntem Plattenepithel aufgenommen. Diese zeigten ihre stärksten spektralen Untershiede am Absorbtionsmaxium von Eosin (530nm) und Hämatoxiln (590nm). Es erfolgte ein Crossvalidierung dreier maschineller Lernverfahren (SVM with poly and linear kernel, Multi-Layer Perceptron (MLP) and Logistic Regression (LR)). Die Klassifizierung mittels MLP zeigte die zuverlässigste und spezifischste Klassifizierung (F1-Score: 90±0 %, Sensitivität: 90±0 %). LR und SVM zeigten hingegen eine um bis zu 30 % geringere Sensitivität in der Erkennung von Adenokarzinomzellen. In der Studienkohorte von 95 untersuchten Präparaten ergaben sich mittels MLP eine Genauigkeit von 71 % für das Erkennen von Karzinom- und Karzinomstromazellen und für die Erkennung von Plattenepithel ergab sich eine Genauigkeit von 73 %.
Mittels HIS konnten unterschiedliche Spektralverahlten verschiedener Zellpopulationen in Resektaten von ösophagealen Adenokarzinomen festgestellt werden. Die Anwendung verschieder Klassifizierungsalorithmen ist möglich, zeigt aber, das seine Evaluierung und Standardisierung sowie die Verbesserung der Robustheit maschineller Algorithmen notwendig ist, bevor diese routinemäßige Anwendungen finden können.
