Unkategorisiert

Der monoklonale Antikörper (mAK) MIB-1 reagiert mit einem nukleären Protein, welches einzig in proliferierenden Zellen aufzuweisen ist. MIB-1 wird in der Immunhistochemie von Pathologen eingesetzt um nach Mitosezellen, also Zellen welche sich Teilen, zu suchen. MIB-1 richtet sich gegen ein anderes Epitop des selbe proliferationsbezogenen Antigens wie der mAK Ki-67 (Seite Ki-67 verlinken). MIB-1 und Ki-67 werden verwendet, um den Proliferationsindex zu berechnen. Dieser gibt den Prozentsatz der Zellen an, die sich Teilen können und bietet somit den Pathologen eine Entscheidungshilfe, ob es sich bei einem Tumor um einen benignen (gutartige) oder um einen malignen (bösartigen) Tumor handelt bzw. gibt Aufschluss darüber, wie schnell ein Tumor wächst. Bei einem Proliferationsindex von unter 10% wird das Risiko als niedrig eingestuft, bei einem Proliferationsindex von über 25% besteht ein hohes Risiko.

HSA KIT

Mithilfe der Software HSA KIT können verschiedene Projekte angelegt werden, siehe Abbildung 1. Diese können aus mehreren Bilddateien bestehen, siehe Abbildung 2. Innerhalb des HAS KITs werden verschiedene Dateiformate unterstützt.

Mit dem Anwenden des HSA KITs können sie mit ihren Bildern Projekte erstellen, auf denen dann sowohl die visuelle Erkennung mithilfe eines Deep Learning Modells als auch die Erstellung eines Berichts, automatisch erfolgt. Dies erfolgt in nur wenigen Schritten:

• Erstellen des Projekts mit den gewünschten Bilddateien
• Markieren der Base ROI (Region of Interest), kann auch automatisch generiert werden, in Abbildung 2 schwarz umrandet
• Markieren der Tumor Area, rote Fläche in Abbildung 2
• Auswählen des MIB-1 Modells und speichern des Projektes
• Zurückkehren auf die Startseite des HSA KITs und starten der Analyse

Wenn benötigt können auch mehrere Projekte zur Auswertung gestartet werden. Diese werden dann nacheinander abgearbeitet.

Das MIB-1 Modell

Durch das DL-Modell MIB-1 können Tumorzellen aufgrund ihrer Färbung in die Kategorien „Negativ lebend Tumorzellen“, „Schwach Lebend Tumorzellen“, „Mittel Lebend Tumorzellen“ und „Stark Lebend Tumorzellen“ eingeteilt werden. In dem nachfolgenden Abschnitt werden beispielhafte Bilder angezeigt, auf denen das Modell angewandt wurde. Das MIB-Modell wurde mit 5327 Objekten trainiert. Diese waren in die Klassen unterteilt.

Erkennung verschiedener Tumorzellen innerhalb des Tumorbereiches:

• Dunkelblau – Negativ lebend Tumorzellen
• Dunkelgrün – Schwach Lebend Tumorzellen
• Pastellrosa – Mittel Lebend Tumorzellen
• Hellgrün – Stark Lebend Tumorzellen

Wie in den Bilder oben zu erkennen, sind die einzelnen Zellen durch ihre Braunfärbung visuell gut zu erkennen. Aufgrund der unterschiede in der stärke der Färbung können diese in die oben genannten Klassen unterteilt werden. Beginnend bei den Negativ lebend Tumorzellen, welche im Gegensatz zu den anderen Klassen nicht braun sondern bläulich gefärbt sind, über die Klasse Schwach Leben Tumorzellen, welche bereits einen schwachen Braunton besitzt wird der Braunton immer intensiver über die Mittel Lebend Tumorzellen, bis hin zu den Stark Lebend Tumorzellen.

Durch nur einen Klick kann innerhalb des HSA KITs von der visuellen Auswertung in die tabellarische Auswertung gewechselt werden, welche die Ergebnisse übersichtlich für jede einzelne Datei dem Nutzer zusammenfasst. Innerhalb der Tabelle kann der Nutzer sowohl die Gesamtzahl der gefundenen Objekte pro Klasse innerhalb jeder Datei sehen, als auch die Gesamtfläche welche die Klasse innerhalb der Datei einnimmt. Daneben können auch der Umfang, der maximale Durchmesser, der minimale Durchmesser und der durchschnittliche Durchmesser, sowie die durchschnittliche Fläche der Objekte einer Klasse betrachtet werden. Die gesamte Tabelle kann außerdem mit nur einem Klick als Excel-Datei heruntergeladen werden.

Unsere Dienste:

• Software HSA KIT und Support
• Erstellen weiterer Annotationen auf Ihren Daten zur Ausdifferenzierung des Basis DL-Modells
• Weiterentwicklung des DL-Modells auf Ihre individuellen Daten

INTRODUCTION

CD3 typically refers to Cluster of Differentiation 3. T cells have a combination of proteins on their cell surface called CD3.  a type of immune cell involved in adaptive immune responses. It is essential for the growth, activation, and signaling of T cells. In both research and diagnostics, CD3 is frequently employed as a marker to distinguish and describe T cells.

Function CD3

When the T cell receptor (TCR) complex is activated, CD3 plays a crucial role in signal transmission. It is crucial for the activation of T cells, which triggers immunological reactions. To ensure optimal antigen recognition abilities, CD3 is crucial in T cell growth and maturation. Also known as a co-receptor, CD3 facilitates TCR binding to antigen-presenting cells for effective T cell activation.

Structure CD3

The CD3 complex consists of CD3γ, CD3δ, CD3ε, and CD3ζ subunits. CD3γ, CD3δ, and CD3ε form a heterodimeric complex with extracellular, transmembrane, and cytoplasmic domains. CD3ζ exists as a homodimer and contains extracellular, transmembrane, and cytoplasmic regions. The CD3 complex associates with the T cell receptor (TCR) α and β chains to form the functional TCR-CD3 complex on the surface of T cells. The cytoplasmic tails of CD3ε and CD3ζ contain immunoreceptor tyrosine-based activation motifs (ITAMs), which play a role in intracellular signaling upon TCR engagement. 

CD3 protein (epsilon /delta ectodomain dimer). CD3 is present on the surface of T-lymphocytes and is required for T-cell activation.

• The γ subunit of the CD3 complex is commonly known as CD3 gamma.
• The δ subunit of the CD3 complex is commonly known as the CD3 delta.
• The ε subunit of the CD3 complex is commonly referred to as CD3 epsilon.
• The ζ subunit of the CD3 complex is commonly referred to as CD3 zeta.

Function CD3 in the immune response 

CD3 is responsible for transmitting intracellular signals upon T cell receptor (TCR) engagement, leading to T cell activation and initiation of immune responses. It plays a crucial role in T cell development, ensuring proper maturation and selection of functional T cells. CD3 acts as a co-receptor, enhancing TCR binding to antigen-presenting cells for efficient T-cell activation. CD3 is essential for T cell-mediated immune responses and immune system functionality.

Schematic representation of the T-cell receptor-CD3 complex. The heterocomplex is formed by variable TCR-α and TCR-β chains coupled to three dimeric signaling transduction modules CD3δ/ε, CD3γ/ε, and CD3ζ/ζ or CD247. CD3, Cluster of differentiation 3; CD247, a cluster of differentiation 247 or CD3ζ/ζ; ITAM, immunoreceptor tyrosine-based activation motif; TCR, T-cell receptor.

CD3 uses in annotations.

CD3 is used for annotations because it is a reliable marker specifically expressed on T cells. It enables accurate identification and annotation of T cells within tissue samples or cellular populations. CD3 staining aids in quantifying T cell numbers, assessing their distribution, and studying their role in diseases. Additionally, CD3 annotations offer important diagnostic and prognostic data as well as a way to track the success of targeted or immunotherapy treatments.

Detection and analysis

The following steps were taken to detect, assess, and annotate CD3 expression:

1. Sample preparation: HeLa cells were treated with paraformaldehyde to preserve their structure and antigenicity. To allow antibody penetration into the cells, Triton X-100 was used to permeabilize the cells.
2. Blocking: The cells were treated with a blocking solution containing 10% serum to reduce non-specific binding. This process reduces background staining and improves antibody binding selectivity.
3. Incubation with antibodies: The cells were treated with a combination of two primary antibodies: mouse anti-beta tubulin and a polyclonal antibody against CD3/CD8 (Product # PA5-102404). A 1:200 dilution of the CD3/CD8 antibody was utilized. This primary antibody identifies just CD3 or CD8 proteins in the sample.
4. After incubating with primary antibodies, the cells were tagged with secondary antibodies conjugated with fluorescent dyes. The CD3/CD8 antibody was detected using a goat anti-rabbit IgG Alexa Fluor 594 (red) antibody, while the beta-tubulin antibody was detected using a goat anti-mouse IgG Alexa Fluor 488 (green).
5. Imaging and analysis: Images of the stained cells were captured using a fluorescence microscope. The presence of CD3/CD8 is indicated by the red fluorescence, while beta tubulin is represented by the green fluorescence. The expression and localization of CD3/CD8 can be assessed by comparing and evaluating fluorescence signals.
6. Annotation: Annotations can be established based on observed fluorescence patterns to identify CD3/CD8-positive cells or specific cellular areas where CD3/CD8 is located. This data can be utilized to further analyze and interpret the biological significance of CD3/CD8 in the experimental system.

HSA KIT SOFTWARE

By automating cell detection, enabling quantitative analysis of CD3 expression, providing annotation tools for marking CD3-positive cells, facilitating visualization of staining patterns, assisting in data management, providing advanced image processing algorithms, and improving the efficiency and accuracy of CD3 annotation tasks, HSA KIT software plays a critical role in making CD3 annotations.

The HS Analysis software is quite useful in assisting medical practitioners in detecting diseases. It allows them to diagnose and assess numerous medical disorders by evaluating high-resolution images of tissues and organs.

The HS Analysis touch

HS-analysis provides quality control and analysis services for raw materials and final products in a variety of industries, including pharmaceuticals, cosmetics, food, and agriculture. Chemical and physical testing, microbiological analysis, and stability testing are among the analytical services provided by the organization.

The latest artificial intelligence is a vital technology for the automatic interpretation of tissue samples in the HS Analysis program.

 By evaluating high-resolution photographs of tissues and organs, the HS Analysis program can assist medical practitioners in diagnosing illnesses. And, when the program generates data characterizing the patient’s current health, it will aid doctors in picking the appropriate therapy.

The images below show the CD3 of HS Analysis KIT

Follow these steps to create CD3 annotations in HSA KIT software:

1. Open the image with the T-cell imaging or immunofluorescence staining that you want to annotate with CD3.

2. Using the software’s drawing tools, manually outline or trace the CD3-positive portions on the image. Annotations are often created using forms such as polygons, or circles.

3. Within the software, locate the color channel settings or channels panel. You can adjust the visibility of specific color channels using this panel.

Find the blue color channel in the channels panel and turn it off. This will disable the blue color, rendering it invisible in the image.

Similarly, under the Channels panel, locate the red color channel and disable its appearance. This will disable the red color.

4. Check that the image now only shows the green color channel, which reflects the CD3 staining.

5. Using the appropriate annotation tools, create the desired annotations on the CD3-positive locations.

Show this video to clarify further.

Future Directions

For a better understanding of T-cell biology and disease-related insights, the future of image analysis for CD3 holds the potential for automation, AI-driven algorithms, high-throughput analysis, multiplexing and spatial analysis, deep learning-based segmentation, integration with omics data, and interactive visualization.

Analyzing psoriasis skin disease in HSA KIT deep learning software is able to detect a skin that caused by psoriasis, Psoriasis is a chronic autoimmune disease that primarily affects the skin, causing it to develop red, scaly patches, Specialists at HS Analysis are able to use advanced deep learning AI software to diagnose this disease to use it in clinics, institutions and health care facilities.

Knowing your psoriasis type can help your healthcare provider create a treatment plan. Most people experience one type at one time, but it is possible to have more than one type of psoriasis.

Artificial intelligence

HSA kit works on the development of AI machine and deep learning methods which refers to the simulation of human intelligence in machines that are programmed to perform tasks that typically require human intelligence. AI systems are designed to perceive their environment, reason about it, and take appropriate actions to achieve specific goals.  Deep learning can be utilized to define or identify skin diseases by leveraging its ability to learn intricate patterns and features from large datasets.

The HS Analysis‘ touch:

 One key technology of automatic interpretation of tissue samples in the HS Analysis software is the latest artificial intelligence. We are developing a DL in the cloud to analyze smartphone images in 2D, but also surface features (heatmaps and thus 3D) with CNNs. we have the ability to create ground truth data and train models for both detection of skin and detection of plaques.

How we develop our AI: Firstly, we collect real data images and annotate them based on colors for the skin we use yellow and we annotate all the shown skin areas in the picture to get the best possible AI model with minimum mistakes.

Examples on skin AI annotations:

The next step Is we annotate inflamed areas on the skin using red color and then we train the model too be able to automatically detect the plaques.

Examples on plaques AI annotations:

Model training :

We train each model individually Then we tests and optimize the models, we use our testing dataset to evaluate how well our AI model performs on the task of distinguishing psoriasis from other skin conditions and normal skin. The datasets consist of various images, each image is detected 100 times ,we select segmentation model type which detect object and draw exact border around objects the structures depends on the AI that we want which are skin or inflamed , and we use (horizontal-flip, vertical-flip, and rotation) in order to not change the meaning of the image, and we train the newest model version based on the existing versions. 

The Future Of HSA KIT AI’S

A very important aspect of this project is looking to improve the AI model  in the future and there are a lot of ideas that we can integrate and develop to improve the quality and versatility of the AI model to include and be able to detect the skin and plaques for many different photos and different types of noise and artefacts and get a better and more accurate result despite these artefacts. We take a look at the challenges and artefacts and find there are different types of them and the task is for the AI to be able to detect the correct targets despite these artefacts being present in the image.

Here are some of these Types of noise or artefacts that we want to improve on:

1-Image blurring: blurring is one of the most common things that will hinder the AI from correctly detecting and solving this problem will be very helpful to detect skin and plaques from other background objects.

2-Lighting and Shadows: Another very common artefact is the light and shadow presence and the different contrast that happens on the image that detours the detection.

3-Out of focus images: Almost all of the images that were used to train the Al model are from smartphones and sometimes the patient sends images that are out of focus.

4-Edges and boarders accuracy: To have an excellent and highly accurate model annotating the edges and boarders accurately is very important to not include any other unwanted objects or pixels that will affect the model accuracy.

5-Unwanted images: Having the ability to automatically exclude images that are not useable to annotate be it by not including any skin or having the identity of the patient visible and having inappropriate or private images being sent.

Being able to beat these challenges in the future will certainly make the AI model extremely accurate and having state of the art annotations.

Explainable Artificial Intelligence (xAI)

Explainable Artificial Intelligence (xAI) is a field focused on developing AI systems that can provide understandable explanations for their decisions and actions. Unlike traditional AI models that often operate as „black boxes,“ xAI aims to enhance transparency and interpretability in AI systems. By incorporating techniques such as rule-based systems, decision trees, attention mechanisms, or generating textual or visual explanations, xAI enables users to comprehend the reasoning behind AI outputs. This has significant implications for various sectors, including healthcare, finance, and law, where the ability to understand AI decisions is crucial. With explainability, experts can validate and verify AI models, identify biases or errors, and ensure fairness and ethical standards are maintained. Moreover, xAI empowers individuals to make informed decisions based on AI outputs, fostering trust, accountability, and the responsible use of AI technologies in our daily lives.

This video shows how we train the skin and plaques models and test it.

Motivation

Many manufacturing lines currently lack a digital twin that can accurately predict the outcome based on input parameters. As a result, fitting parameters again requires a time-consuming trial and error process. In the case of glass manufacturing, conventional stochastic models have proven inadequate in predicting outcomes. However, through our project, we are developing a groundbreaking AI system that can accurately forecast manufacturing line outcomes solely based on input parameters.

Our Aim

Our aim is to develop an End-to-End deep learning model that is able to predict the parameters your manufacturing line based only on the desired shape you want to manufacture.
Through that manufacturing experts will be able to focus on tasks that really require their expertise.

Current Results

Our ongoing development has resulted in a powerful predictive model that can determine whether a glass manufacturing line will produce broken glass, only based on the input parameters provided by our partners.
Furthermore, our data analysis capabilities allow us to offer valuable insights into the importance and impact of these input parameters on the final outcome.
The result of this analysis can be seen in the picture below. Only about 10% of the parameters used by our client really had an impact on the outcome!

Kassenlose Einkaufsfilialen – ein Schritt in die Zukunft?

Amazon schreitet mit seiner „Just Walk Out“ Technologie Richtung autonomen Einzelhandel.

Am 4. März dieses Jahres eröffnet Amazon seinen ersten kassenlosen Supermarkt in Europa. Das Konzept ist für Händler und Verbraucher angenehm unkompliziert. Beim Betreten des Ladens authentifiziert sich der Kunde via App und wird mittels framebasierter Bilderkennung im Laden getrackt. Dabei unterstützen Sensoren wie Regalwaagen die Verfolgung des Einkaufs. Bezahlt wird automatisch beim Verlassen der Filiale.

Für Läden mit hochfrequentierten Besucherzahlen wie in Flughäfen oder Läden in Fußballstadien könnten von dieser Technologie am meisten profitieren.

Doch die Investitionskosten sind auch für Amazon sehr hoch, so schlägt das Aufrüsten einer Pilot-Filiale schätzungsweise mit drei Millionen US-Dollar schwer zu buche.

Unklar ist bis heute, wann die ersten Supermärkte nach Deutschland kommen werden.

Um dieses Konzept zu nutzen, ist es zwingend notwendig, dass alle Kunden den Datenschutzrichtlinien zugestimmt haben. Dies gestaltet sich jedoch schwierig bei deutschen Einzelhändlern, da Kundenüberwachung für die meisten einen schlechten Beigeschmack hat.

Kundenvertrauliche Informationen dürfen laut DSGVO nicht ohne Zustimmung analysiert und verarbeitet werden.

Die neue Art der Videoaufnahme

Unser Ansatz bei HS Analysis ist es das Kaufverhalten getrennt von der Person zu analysieren, um eine maximale Informationsgewinnung und den Schutz der Privatsphäre des Kunden zu garantieren.

Dank neuster Kameratechnologien, der eventbasierten Kameras, sind Rohdatenströme nicht wie bei konventionellen digitalen Kameras einzelne Bilder, sondern mathematische Matrizen die Pixelveränderungen erfassen. Neuromorphe Kameras, wie sie auch genannt werden, funktionieren ähnlich dem menschlichen Sehsinn.

Im Gegensatz zu konventionellen, auf Bildern basierende Kameras erkennt der eventbasierte Photodetektor lokale Änderungen einzelner Pixel. In Abbildung 1 wird der Unterschied an der Aufnahme einer laufenden Wildkatze veranschaulicht. Bei üblichen Kameras wird in getakteten Intervallen ein Bild gemacht. Alle Bildinformationen wie Hintergrund, Farben und Katze sind vorhanden. Der eventbasierte Photosensor erkennt nur Pixelveränderungen, in diesem Fall die laufende Katze und die Dauer der Änderung für jeden Pixel individuell.

Es werden also nur Bewegungen getrackt. Neben dem Schutz der Person bietet dieser Ansatz einen weiteren Vorteil. Die Datenmenge ist laut eignen Erfahrungswerten ungefähr fünf Mal niedriger als bei konventionellen digitalen Kameras. Dies wirkt sich positiv auf die Bildverarbeitung mit Neuronalen Netzen aus, da statische Bildinformationen nicht erfasst werden.

Erste Datenerhebungen wurden schon gemacht. Zu diesem Experiment gibt es auch Aufzeichnungen.

• Aufstehen
• Hinsetzten
• Handbewegungen

Biologische Programmierung mit Spiking Neural Networks

Wie die meisten Erfindungen, kommt auch der Ursprung der Spiking Neuronal Networks, kurz SNN aus der Natur. Die SNN-Architektur ist eine Imitation des Gehirns. Das menschliche Gehirn ist der leistungsfähigste und optimierteste Computer, den die Natur hervorgebracht hat. Wie in Abbildung 2 zu sehen ist, befindet sich das Gehirn die meiste Zeit im Ruhemodus, um Energie zu sparen.

Da ungefähr 10% der weltweiten CO2 Emissionen für Berechnungen, besonders für das Internet aber auch immer mehr für künstliche Intelligenz, ist von großem Interesse eine ressourcensparende Lösung zu finden. Eine Lösung könnten die SNNs sein.

Die Funktionsweise kann man sich wie folgt vorstellen. Der kleineste Baustein ist wie im Gehirn das Neuron. Die Eingänge, die an das Nervensystem geknüpft sind, können eine Spannung bei Erregung an das Neuron anlegen. Wird die Durchbruchsspannung, auch Threshold Spannung genannt überschritten, kommt es zu einer Erregung und Reaktion.

Eventbasierte Videos als Eingabe für SNNs

In Kombination mit eventbasierten Kameradaten wie in Kapitel Die neue Art der Videoaufnahme beschreiben, werden die Vorteile des Deep Learning Netzwerks vervielfacht. Denn das Konzept der Rechen-Sparsamkeit wirkt sich vor allem positiv auf den Energieverbrauch aus. Verändert sich das Eingabebild nicht, wird der Input nicht verarbeitet.

Die Vorteile für den Einzelhandel

Was bedeutet dies für den Einzelhandel? Amazons Konzept ist für viele Einzelhändler nicht umsetzbar. Es kann unmöglich garantiert werden, dass alle Kunden den Datenschutzrichtlinien zugestimmt haben. Es bedarf also eines Überwachungssystems, welches ohne Eingriff in die Privatsphäre das Kaufverhalten der Kunden analysieren kann.

Eventbasierte Daten wären eine vielversprechende Möglichkeit, Bewegungen zu tracken, ohne die Identität der Person zu enthüllen. Dies ein wichtiger Baustein für die Automatisierung des Einzelhandels. Jedoch kann ist unwahrscheinlich, über eventbasierte Datenwolken die gekauften Produkte zu identifizieren. Lösungsansätze könnten RFID Chips sein, Regalwagen oder ein weiteres neuronales Netz, dass auf Produkterkennung trainiert wurde.

Forschungsprojekt Einzelhandel

Künstliche Intelligenz wird für Bilderkennung im medizinischen Bereich schon seit Jahren bei HS Analysis erfolgreich genutzt. Durch das Know-How und die akademische Expertise zeichnet sich HS Analysis aus und bietet ein solides Fundament für Forschung und Integration bestehender Technologien im Einsatzgebiet Einzelhandel. Die ersten Forschungsergebnisse zeigen vielversprechende Ergebnisse, obwohl es kaum Hardware gibt, die auf diese Art von Algorithmen spezialisiert ist. Aktuell gibt es jedoch viele Chips, die in Entwicklung sind wie Intels KI-Chip Loihi oder Akidas Brainchip. Laut den ersten Forschungserbnissen wurde der Leistungsbedarf auf neuromorpher Hardware drastisch reduziert.

Ausblick        

Diese Einführung soll für die Komplexität der Problematik sensibilisieren. Der Datenschutz sowie auch der immense Energiebedarf sind wichtige Baustellen, denen man sich bewusst sein sollte. Zwar sind Arificial Neural Networks in Objekt Erkennung genauer als SNNs, sind jedoch sehr viel rechenintensiver und auch der Datenschutz kann nicht garantiert werden. Aus diesen Gründen hat sich HS Analysis für eventbasierten Kameradaten und eine SNN Architektur entschieden.

Fakt ist, dass beide Deep Learning Architekturen Vorteile und auch Schwächen mit sich bringen. Bilderkennung im Einzelhandel ist eine hochkomplexe Aufgabe, die nicht mit einer einfachen Lösung gemeistert werden kann.

HSA TRAC

Die Anwendung der SNNs in Verbindung mit eventbasierten Kameradaten ist ein Nischenprodukt HSA TRAC mit vielversprechenden Ergebnissen.

Unser Produkt HSA TRAC basiert auf dem Training von Spiking Neural Networks mit eventbasierten Groundtruth-Daten, um Bewegungen und Gesten der älteren Personen im medizinischen Kontext zu erkennen. So wird ein Herzinfarkt oder auch andere Pathologien automatisiert in Wohnungen der älteren Leute erkannt, automatisch ein Notruf ausgelöst. Falls unser Produkt HSA TRAC mit Daten aus dem Handel trainiert wird, können wir die Kunden bei einem Einkauf analysieren und bestimmte Gruppen und Verhaltensmuster erkennen. 

Das Produkt enthält eine Kombination aus SNN und CNN, wobei sich das Convolutional Neural Network auf die Produkterkennung fokussiert und das Spiking Neural Network auf die Verhaltenserkennung der Kunden.

Eines unserer Projekte – Das HSAKit | Haid-Und-Neu-Str. 7 Karlsruhe 76131

Die Entwicklung im Bereich der Artificial Intelligence schreitet immer weiter fort. So werden computergestützte Assistenzsysteme in fast allen Branchen immer häufiger eingesetzt, so auch in der Medizin. In der Studie „AI in Europe – Ready for Take-Off“ der europäischen Initiative „European Information Technology Observatory“ kamen die Autoren beispielsweise zu dem Schluss, dass eine der größten Ausgabesteigerungen des AI-Markts im Gesundheitswesen stattfinden wird. Durch seine rationale Kombinatorik wird Machine Learning in der Analyse von Krankheitsbildern die Zukunft sein, denn Neuronale Netzwerke erkennen Zusammenhänge jetzt schon schneller und effizienter als das menschliche Auge. Wie interessant der Markt ist, zeigt auch Googles Engagement mit ihrem DeepMind Health Projekt, mit dem sie die Gesundheitsbranche durch den Einsatz von AI optimieren möchten. Doch diese Technologien sollten nicht nur den größten Unternehmen vorbehalten sein und so kam es zur Entwicklung vom HSA Kit. Diese Software ist optimal an die Bedürfnisse vieler Medizinwissenschaftler angepasst und spiegelt die neusten Fortschritte der IT wider. In diesem Beitrag konzentrieren wir uns hauptsächlich auf die Anwendung des ersten personalisierten AI-Assistenten, der bei der medizinischen Datenanalyse, beispielsweise in der Nephrologie für bright field Mikroskopieschnitte eingesetzt wird und somit eine perfekte Ergänzung zur langjährigen Erfahrung der Wissenschaftler*innen, darstellt.

Software für jene Bildanalyse gibt es bereits vielzählig auf dem Markt. Doch diese Anwendungen haben eines gemeinsam: Sie stammen aus der Zeit in der AI-Systeme noch ein Novum waren und in der Medizin noch keine lohnenswerte Investition darstellten. So sind eben diese Programme erst nachträglich mit Machine Learning ausgestattet worden. Um diese schon vorhandenen Qualitäten noch zu übertreffen haben wir uns beim Programmieren vom HSA Kit darauf konzentriert, das Potential dieser Technologien voll auszuschöpfen. Unser Ziel war und ist es, die Interaktion zwischen Mensch und Maschine zu perfektionieren, ein eigenes Konzept für eine individuelle AI zu entwickeln und diese optimal zu Integrieren. Somit haben wir mit unserem maßgeschneiderten AI-Assistenten namens Sharloq eine sofortige Reduzierung des Arbeitsaufwandes schon beim allerersten Einsetzten der unterstützenden Funktionen dieser Technologie erreicht. Zudem bilden die vielen integrierten, sich selbst verbessernden, neuralen Netzstrukturen ein emergentes System, das dadurch nun auch mit verhältnismäßig geringen Mengen an Ground-Truth-Daten exzellente Ergebnisse liefert. So ist eine bereits vielen Testungen unterlaufene Arbeitsoberfläche entstanden, die schon jetzt in der Medizin eingesetzt wird und Ärzten mit einer bis dato nicht gegebenen, auf Evidenz basierten Erforschungen unterstützt und Patienten zu einer noch schnelleren und treffsichereren Diagnose verhilft. Die Diagnose von Nierenkrankheiten ist bis jetzt ohne der Unterstützung einer wirklich skalierbaren und für eine eindeutige Diagnose ausreichende AI abgelaufen, wobei der Arzt oder die Ärztin manuell einzelne Zellgruppierungen, die von den bisherigen AI-Systemen noch nicht zufriedenstellend erkannt werden, bestimmen musste. So ist zwar die grobe Erkennung zum Beispiel von den Nierenkörperchen, bestehend aus einem Glomerulus umschlossen von der Bowman-Kapsel, schon seit längerer Zeit möglich. Doch komplexere Aufgaben wie die pixelgenaue Erkennung der glomerulären Kapsel, des Mesangiums und insbesondere in einem PAS-Schnitt der diversen glomerulären Zellen wie die Granulozyten, Mesangiumzellen oder Podozyten sind erst durch unsere AI möglich. Auch konnte die Unterscheidung zwischen distalen und proximalen Tubuli durch eine AI gezeigt werden, doch die notwendige Trennung der Tubuli war nicht gegeben. Diese Problematik konnte durch unseren Sharloq gelöst werden, wodurch der erste Schritt in die nephrologische Diagnostik durch AI geebnet wurde.

Diese Genauigkeit ist durch die Mensch-Maschine-Interaktion in der Benutzeroberfläche vom HSA Kit möglich. Bei Unzufriedenheit mit dem Ergebnis, können nachträglich Korrekturen vorgenommen werden und diese dann sofort in der intelligenten Benutzeroberfläche von Sharloq mit in die Trainingsdaten des neuralen Netzwerkes aufgenommen werden. Infolgedessen steigert sich die Qualität der Annotationen mit jeder Diagnose und die frühe Erkennung einer Krankheit wird noch wahrscheinlicher. Somit stellt unser Gesamtpaket ein ideales Hilfsmittel dar. Nephrologen können nun noch besser ihre neuen Ansätze spontan austesten, da ihnen die repetitive Arbeit abgenommen wird. Daher können sie ihre freien Gedanken nutzen um bahnbrechende Ideen zu finden. So können die Ärzte und Ärztinnen weiterhin auf ihr Bauchgefühl hören und ihr Wissen gleichzeitig durch Werte und Fakten überprüfen. Willkommen in einer effiziente Symbiose aus Mensch und Sharloq (AI). Schlussendlich lässt sich das HSA Kit in die klinische Infrastruktur (LIS sowie auch KIS) integrieren und schließt dabei kollaboratives Arbeiten über das Intra- oder Internet zwischen den Kollegen ein.

Bedienbarkeit mit einem Graphiktablett

Um dem Benutzer noch weiteren Komfort zu bieten, ist es möglich, das HSA Kit mit einem Zeichentablett zu bedienen. So ist das Verwenden der Software noch intuitiver, die Annotationen noch genauer und die Gesundheit des Bedienenden wird geschützt. Auch bei pausenlosem Arbeiten schmerzt die Hand nicht. Außerdem können die Tasten des
Tabletts mit hilfreichen Shortcuts belegt werden, um den Workflow noch weiter zu beschleunigen. So ist das Erstellen von notwendigen Ground-Truth-Daten durch eine intuitive Mensch-Maschine-Kollaboration effizienter denn je.

TL;DR

Unser HSA Kit beruht auf neusten Technologien und bietet zusätzlich ein personalisiertes Rundum-sorglos-Paket in Form einer AI unterstützten Assistenz namens Sharloq und neuronalen Netzen, die es sonst nirgends gibt.

Scion 2019 – Vertrauen in KI in der Medizin | 30.11.19 um 09:00 Uhr in der Haid-Und-Neu-Str. 7 Karlsruhe 76131

Autonome AI Systeme in der medizinischen Forschung und Diagnostik zu etablieren, ist die tägliche Arbeit der Mitarbeiter der HS Analysis GmbH. Dieses Wissen möchten die Experten an die jungen Wissenschaftler und Studenten vermitteln und das Thema „Vertrauen in KI in der Medizin“ bei einer Podiumsdiskussion thematisieren.

Scion 2019 ist eine kostenfreie Initiative der HS Analysis um jungen Wissenschaftlern und Studenten den Zugang zu Data und Life Science zu ermöglichen. Wir danken allen Partnern aus der Wissenschaft, Wirtschaft und Politik für die wertvolle Beiträge und tolle Zusammenarbeit.

Podiumsdiskussion

Um alle Teilnehmerinnen und Teilnehmer des Forums und Workshops auf den aktuellen Stand von autonomen AI Systemen in der medizinischen Forschung und Diagnostik zu bringen, präsentieren die HS Analysis Experten ihr Wissen in der Podiumsdiskussion und verdeutlichen welche Rolle dabei das richtige Management großer Datenmengen, strukturierte Erstellung der Ground-Truth-Daten sowie Workflows für die Mensch-Maschine-Kollaboration für die Forscher und Ärzte spielen. Ihr dürft Euch auf interessante Positionen und Updates zu aktuellen Entwicklungen und ethischen Aspekten freuen.

Workshop

Nach einer einleitenden Podiumsdiskussion hast Du die Gelegenheit, in einem interdisziplinären Team praktisch an spannenden Aufgaben zu arbeiten. Dabei wirst Du von den Experten unterstützt und kannst Dich auf deren Erfahrung beruhen.

Die Themenauswahl beim Workshop ist sehr vielfältig. So sollen bspw. bei einer Organtransplantation Vorhersagen getroffen werden über mögliche Abstoßungsreaktionen einer gespendeten Niere. Bei einer anderen Aufgabe erhält das Team die Aufgabe, das Volumen von sogenannten Neurospheres zu bestimmen. Ein Neurosphere ist eine Ansammlung von neuronalen Stammzellen. Das Immunsystem ist das Instrument des Körpers zur Bekämpfung von Erregern und geschädigten Zellen. Hier liegt der Fokus beispielsweise einer weiteren Aufgabe. Forscher entwickeln neue Medikamente, die dem Immunsystem helfen, Krebs zu bekämpfen. Die Forscher analysieren dabei große Mikroskopiebilder und wenden darauf statistische Verfahren an. Du entwickelst auf Basis unserer Ground Truth Daten verschiedene KI Modelle zur automatischen Analyse erkrankter Zellen oder Blutgefäße.

Bei SCION zeigen Data- und Life Science Experten von HS Analysis Euch praktisch wie die KI in der Medizin funktioniert. Alles kostenfrei, keine Vorkenntnisse notwendig. 30.11 um 09 :00 Uhr in der Haid-und-Neu-Straße 7 in 76131 Karlsruhe. Anmeldung erforderlich wegen der Verpflegung und Gruppeneinteilung.

Anmeldung unter:

https://lnkd.in/dduKEyn

Info:

https://lnkd.in/dBWy_Qc

https://lnkd.in/dMHqYqn

Rückblick zu SCION 2018:

Video zu SCION 2018:

Für weitere Informationen zu Scion http://scion.hs-analysis.com/

Nach all dem Tagesgeschäft, das uns in der Folge unserer Jahreskonferenz Scion schnell wieder ereilte, nehmen wir einen Rückblick auf Scion Herbst 2018 vor. Ein ganz großer Dank geht an unsere Partner und insbesondere an die Speaker, Teilnehmerinnen und Teilnehmer, ohne die Scion 2018 in dieser Größenordnung und mit einem solch positiven Widerhall überhaupt nicht möglich gewesen wäre. Nicht für umsonst haben wir dem Veranstaltungsformat den Namen „Scion“ gegeben. Es handelt sich um einen Sprössling, der gute Rahmenbedingungen und Zeit zum Wachsen braucht, genau wie das Thema „Vertrauen in KI“ in der Medizinforschung. Wir freuen uns, dass wir die interdisziplinäre Wissensvermittlung und den Dialog zum Thema Künstliche Intelligenz in Life Science eröffnen und intensivieren konnten. Eure aktive Mitwirkung, hochqualitative Vorträge, spannende Diskussionen und das positive Feedback bestätigen unsere Intention, das Vertrauen in die Künstliche Intelligenz weiterhin zu etablieren.

Die Social Media Wall, die wir bei unserer Veranstaltung auf einem großen Bildschirm projiziert hatten, machte unsere Mission unter dem Hashtag #Scion2018 für alle Teilnehmenden vor Ort und über die meisten sozialen Netzwerke erlebbar. Für einen fotografischen Rückblick bitte hier entlang: Fotos Scion Herbst 2018.

Nachfolgend seien Moderatoren und Speaker genannt, die jeweils auf ihren Fachgebieten mit qualitativ hochwertigen Vorträgen und Beiträgen Scion Herbst 2018 zu einem besonderen Erlebnis für alle Teilnehmenden werden ließen. Die Eröffnung und Moderation wurden übernommen von Nathalie Biniaminov, während Prof. Thomas Hirth (beide KIT) Scion eröffnete und seitens des KIT ein Grußwort an die Teilnehmerinnen und Teilnehmer entsendete. Inbegriffen war eine Vorstellung des KIT, die u.a. die interdisziplinären Lehrgebiete und Forschungsfelder aus der Symbiose der Uni Karlsruhe und des Forschungszentrums Karlsruhe vermittelte.

Nathalie Biniaminov – Akademische Mitarbeiterin am IfSS KIT

Nathalie Biniaminov, Thomas Hirth ( beide KIT) Sergey Biniaminov ,Viktor Eberhardt (beide HS Analysis GmbH) (v.l.n.r.)

Prof. Dr. Thomas Hirth – Vizepräsident Innovation und Internationales KIT

Unter den Vortragenden wurden die Themen Diagnostik, Histologie und der Einsatz der KI bei der Datenanalyse repräsentiert durch PD Dr. Afsaneh Soruri (Pathologie Pforzheim), Prof. Thomas Rüdiger (Pathologie Karlsruhe), Prof. Timo Gaiser (Pathologie Mannheim), Dr. Fermin Person und Tim Petschull (Pathologie Hamburg), PD Dr. Gian Kayser (Pathologie Freiburg).

Dr. Soruri hat ihre Expertise in der Diagnostik von Lungenkrebs, die Bedeutung von PD-L1 beim Tumorwachstum und die zellfreie DNA als Biomarker für Krebstherapie vermittelt. Sie hat in ihrem Vortrag die Verbindung zu den Methoden aus der anatomischen, zellulären, molekularen und prädiktiven Pathologie hergestellt.

PD Dr. Afsaneh Soruri – Institut für Pathologie & Molekularpathologie Pforzheim

Während Prof. Rüdiger auf den Prozess in einer Pathologieabteilung eingegangen ist und die Einzelne Schritte von der Probeentnahme bis zum Befund verdeutlichte. Er zeigte an einem Beispiel die Grundlagen in der prädiktiven Pathologie und Klassifikation über die Morphologie und intrinsische Subtypen vom Mammakarzinom. Er verdeutlichte, dass die strukturierte Aufbereitung der Daten eine entscheidende Voraussetzung für den optimalen Wissenstransfer in der evidenzbasierten Medizin spielt.

Prof. Dr. med. Thomas Rüdiger – Leiter der Pathologie am Städtischen Klinikum Karlsruhe

Prof. Gaiser fokussierte sich in seinem Vortrag auf das kolorektale Karzinom und gab einen Überblick zur Korrelation zwischen dem Tumor budding und dem Nodalstatus bzw. der Überlebenswahrscheinlichkeit der Patienten. Er stellte die Ergebnisse der automatischen Detektion in WSI und TMA von Tumorknospen mit konventioneller Segmentierung und mittels anschließender AI-Validierung mit CNNs vor.

Prof. Dr. med. Timo Gaiser – Leitender Oberarzt Pathologie Uniklinik Mannheim

Herr Dr. Person zeigte am Beispiel der Nierenschnitte die Möglichkeiten in der Datenanalyse  durch Deep Learning und sprach über die optimale Kombination von Pathologe und Maschine in der Trippeldiagnostik, die auf den histologischen Färbungen, IHC und Elektronenmikroskopie basiert.  Während Herr Petschull sein Paper präsentierte, in welchem er durch Proximity Ligation Assay Technik und die modernen Bildanalysemethoden die Interaktion von FHR2 und Laminin Beta 2 bei der Krankheit Glomerulonephritis beschrieben hat.

Dr. Fermin Person – Arzt Nephropathologie UKE Hamburg

Tim Petschull – Doktorand UKE Hamburg

Dr. Kayser verdeutlichte in seinem Vortrag die virtuelle Pathologie, WSI, Integration von LIS, das strukturierte Reporting und computational pathology als wesentliche Bestandteile der digitalen Pathologie. Er beschrieb, wie CNNs und die Kombination der objektbasierten Klassifikation und Texturklassifikation in der modernen Bildanalyse zu den optimalen Ergebnissen in der Diagnostik führen können. So präsentierte er die Ergebnisse der Mitosendetektierung mit DNNs in der Brustkrebsdiagnostik und zeigte die Blackbox von Deep Learning.

PD Dr. Gian Kayser – Leitender Oberarzt Pathologie Uniklinik Freiburg

Zum Thema moderne Methoden in der Medikamentenentwicklung und Therapien sprachen bei Scion Dr. Christoph Schatz (Bayer Pharma AG) und Prof. Alexander Nesterov-Müller (KIT). Beide sehen große Chancen in der Erforschung neuer Medikamente durch die Analyse der Daten mit Deep Learning Verfahren.

Dr. Schatz präsentierte die Untersuchungen zur Wirksamkeit von Antikörper-Therapien bei der Behandlung des Ovarialkarzinoms und stellte die Tumorschrumpfungen nach Bevacizumab Kombinationstherapie vor. Bei seinem Vortrag ging er auf die Quantifizierung der CD31 Gefäßfärbung und Tumor infiltrierenden Immunzellen ein. Als Beispiel für die personalisierte Medizin nahm Dr. Schatz die Quantifzierung der braunen Färbung vom Antigen des Thorium-Konjugat als Target Expression bzw. Target Gehalt in humanen Lungentumoren. Für die Identifikation von Target positiven Patientenpopulationen war es für ihn insbesondere interessant die Häufigkeit und die Konzentration, in der das Target in humanen Tumoren exprimiert ist.

Dr. Christoph Schatz – Senior Scientist, Biomarker Research bei Bayer Pharma AG

Prof. Nesterov-Mueller referierte über das High Throughput Screening mit molekularen Suchmaschinen in der Medikamentenentwicklung. Er verdeutlichte die kombinatorische Peptidsynthese als eine Adressierung bzw. ein Kopplungsschritt für alle Aminosäuren auf einem hochdichten Mikrosstruktur-Piptidarray. Das Ziel ist es, die Nebenwirkungen, die beim Einsatz eines rekombinanten Antikörpers als Medikament auftreten könnten, vorherzusagen. Mit Deep Learning Modellen können die Peptidsequenzen, die für das Binden des Antikörpers verantwortlich sind, den Proteinen, in denen die Sequenz vorkommt, zugeordnet werden können.  

Prof. Dr. Alexander Nesterov-Müller – Gruppenleiter am Institute of Microstructure Technology KIT

Das komplexe Feld der Mikroskopie wurde in Theorie und Praxis (Workshops) abgedeckt von Dr. Bernhard Schwarz, Thomas Betz und Detlef Lang (alle Carl Zeiss Microscopy GmbH).

Dr. Schwarz hat in seinem Vortrag eine übersichtliche Einführung in die Zeiss Mikroskopie gegeben und entlang von Kundenanforderungen die Zeiss Digitalisierungsstrategie vorgestellt. Er ging auf einige Bespiellösungen aus dem Bereich korrelative Software, Machine Learning für Segmentierungen und die Plattform APEER zum Austausch von Image Processing Aufgaben ein.

Damit die Scion Teilnehmer vor Ort die Entstehung der digitalen Mikroskopiedaten erleben durften, hat Detlef Lang das digitale Mikroskop ZEISS Smartzoom 5 aufgebaut und in einem Workshop die  Methoden zur optischen Abbildung in der Mikroskopie vermittelt. Seinen Schwerpunkt legte er hierbei auf Materialanwendungen sowohl in der Industrie als auch in der akademischen Welt.

Ebenfalls hat Herr Betz einen wertvollen Einblick in die Theorie und Praxis der digitalen Mikroskopiedaten (WSI) gegeben. Scion Teilnehmer durften vor Ort die automatische Mikroskopiestation ZEISS Axio Scan Z.1 erleben und die Digitalisierung der histlogischen Schnitte in einem Workshop begleiten.

Dr. Bernhard Schwarz – Vice President Zeiss Digital Solutions and Strategy

Detlef Lang – Produktspezialist im Vertrieb Zeiss

Thomas Betz – Spezialist WSI Zeiss Mikroskopie Vertrieb

Thomas Betz WSI Workshop am Axio Scan Z.1

Zeiss Axio Scan Z.1

Scion 2018 Zeiss Workshop Teilnehmer

Deep Learning in der Mikroskopie und Bildanalyse war das Hauptthema von Viktor Eberhardt, Prof. Dr. Sascha Seifert und Sergey Biniaminov (vom Team HS Analysis). Die Experten für das Management der Mikroskopiedaten haben Risiken aber auch Chancen kommuniziert, die durch den Einsatz von Deep Learning entstehen können. Anschließend wurden Deep Learning Konzepte wie RetinaNet, YOLO und die intelligente Erstellung der Ground Truth Daten vorgestellt. Das Ziel ist die Entstehung der Schnittstelle zwischen Mensch-Maschine-Kollaboration.

„Für den fortgeschrittenen Einsatz der Deep Learning Modelle im medizinischen Kontext benötigen wir als Data Scientists nicht nur die automatische Optimierung der Modelle, beispielsweise durch die Hypoparameteroptimierung mit Hilfe einer weiteren KI sondern auch Tools für die visuelle Unterstützung der Ergebnisauswertung. Dies macht es möglich die Mensch-Maschine-Kollaboration in der Medizin zu etablieren und somit das Vertrauen in KI unter den Ärzten und Forschern zu steigern.“

Sergey Biniaminov
Data Scientist / CEO
HS Analysis GmbH

Sergey Biniaminov – HS Analysis GmbH und Prof. Dr.-Ing. Sascha Seifert – Medizinische Informatik und Bildverarbeitung HS Pforzheim (v.l.n.r.)

Viktor Eberhardt – HS Analysis GmbH Software-Projektleitung

Der Hochschulprofessor Matthias Wölfel aus Karlsruhe verband in seinem Vortrag die Themen Perzeption und Intuition mit dem Design in der Softwareentwicklung und neue Kommunikationskanäle zwischen Mensch und Maschine. So kann das Verhalten vom Nutzer nicht primär auf die Interaktion mit der Maschine ausgelegt sein. Die KI interpretiert das Verhalten des Nutzers und löst selbständig Handlungen der Maschine aus. 

Prof. Dr.-Ing. Matthias Wölfel – Professor für Intuitive und Perzeptive Benutzungsschnittstellen HS Karlsruhe

Simon Sulzer (Digital Hub Initiative), Christian Wiegand (Pioniergarage) und Ludger Pfanz (HfG Karlsruhe) stellten sich den Fragen des Moderators, Michael M. Roth (Team HS Analysis), zum Thema Ethik und Künstliche Intelligenz. Thematisiert und diskutiert wurde der Begriff der Ethischen Intelligenz, der in einem HS Analysis Blog von Michael M. Roth 2018 erschienen ist. Schon 2001 hat der deutsche Philisoph Karl-H. Brodbeck einen Artikel „Zur Ethik der Intelligenz“ resümiert: „Ethik sei nicht zwingend ein Teil der Intelligenz„. Die Scion Teilnehmer haben sich gefragt: „Könnte die Ethik nicht zu einem verbindlichen Element von Mensch- Maschine-Kollaboration werden und was müssen wir dafür tun? In der Diskussion wurde das 1. intelligente Dialogprogramm namens Eliza, das im Jahr 1966 von Joseph Weizenbaum erstellt wurde thematisiert und auch aus dem Jahr 1965 das Moorsche Gesetz, nach dem sich die Komplexität von integrierten Schaltkreisen ca. alle 18 Monate verdoppelt. Darauf aufbauend, fragten sich die Teilnehmer, warum sind wir ausgerechnet heute im Jahr 2018 der KI oder gar einer Superintelligenz näher denn je zuvor und welche Attribute oder Paradigmen dürfen beim akademischen Denken und unternehmerischen Handeln nicht fehlen? Würden wir Menschen uns selbst für vertrauenswürdig in den Augen einer zukünftigen KI halten?

Podiumsdiskussion mit Michael M. Roth (Kommunikation HS Analysis GmbH), Ludger Pfanz (Dozent HFG Karlsruhe), Christian Wiegand (Vorstandsvorsitzender Pioniergarage), Simon Sulzer (Projektleiter de:hub Karlsruhe) – v.l.n.r.

Parallel zum Forum (Vorträge, Podiumsdiskussionen, Workshops) fand ein Hackathon statt, der sich unter den Studierenden mit interdisziplinärem Interesse (Fachbereiche Informatik, Biologie, Medizin, Design) einer zunehmenden Beliebtheit erfreut.

Hackathonteilnehmende Scion 2018 an der Challenge von Bayer AG

Scion Hackathon 2018

Scion Hackathon 2018 – Gruppe Zeiss

Scion 2018 Hackathongruppe

Scion 2018 Hackathongruppe Karlsruhe

Oguzhan Angay von Zeiss als Betreuer von Scion Hackathon 2018

Hier wurde beispielsweise eine komplette App zur Diagnose von Hautkrebs mit Deep Learning nur an einem Wochenende entwickelt. Das Team hat ein aufbereitetes Ground Truth Dataset von Hautkrebsarten bekommen. Nach dem verschiedene Netzarchitekturen verglichen worden sind, hat sich das Team für das ResNet Inception v2 entschieden. Es wurde 20% drop out verwendet und pretrained antrainiert, d.h. etwas Vortrainiertes auf dem ImageNet geladen und anschließend darauf trainiert. Kombiniert mit den residuals, drop outs vom ResNet wurden an der Stelle auch die inception blocks, die sehr gut verschiedene Merkmale an verschiedenen Skalen extrahieren können, verwendet. Um möglich beste Ergebnissicherheit zu haben, hat das Team Ensembles verwenden, z.B. gleiche Bilder wurden durch das ResNet 50 und das ResNet Inception v2 analysiert, Ergebnisse grafisch dargestellt und letztendlich die Entscheidung für das best performende Netz getroffen.

Auch nur an einem Wochenende hat ein anderes Team ein Deep Learning Modell für die Detektion verschiedener Strukturen in den WSI Mikroskopiedaten entwickelt. Dabei wurde ein Fully Convolutional Network (FCN) auf Basis der Architektur VGG 16 Net, welches auf ImageNet vortrainiert und von Keras erweitert war, mit ca 4.000 Bildern und Masken auf Google Colab antrainiert. Das Ziel dieser Challenge war es, die Ärzte durch KI in der Diagnostik zu unterstützen.

Eine weitere Gruppe erarbeitete einen Algorithmus für die Quantifizierung der Gewebeschnitte in der Medikamentenentwicklung. Es ist eine Softwarelösung entstanden, die den maximalen Abstand von Tumorzellen von den Target positiven Zellen an humanen Gewebeschnitten ermittelt. Die Tumorzellen sollen anhand der Morphologie der Zellen nach einem Trainingsset erkannt werden. Weiterführend kann die Tumor vs. Stroma Erkennung mittels Training Set entstehen.

Auch bildgebende Challenges für die Mikroskopieplattform APEER wurden an diesem Wochenende von Hackathon-Gruppen gelöst und auf APEER hochgeladen. Insgesamt waren 10 Gruppen mit verschiedenen Aufgaben an dem Wochenende beschäftigt. Hier gibt es die komplette Aufgabenliste beim Hackathon.

Richard, Nadim und Xizhe – Pitch der Hackathongruppe Medikamentenentwicklung

Michael, Sven – Pitch Hackathongruppe AI in der Diagnose

Matthias, Sebastian, Julian – Pitch Hackathongruppe App in der Diagnose

Max, Timo und Katharina – Pitch Hackathongruppe Strukturdetektion in WSI

Florian und Karol – Pitch Hackathon APEER Gruppe

Jeder Teilnehmer durfte auch persönlich ein Zeichen gegen Krebst setzen, sich typisieren lassen und somit letztendlich die Stammzellen an die Deutsche Stammzellspenderdatei vor Ort spenden.

Daniela und Frank Stoetzer – Stammzellspenderdatei

Bei Scion Herbst 2018 ist es uns im Vergleich zu Scion Sommer 2018 gelungen, die Zahl der Teilnehmenden deutlich zu erhöhen und mehr Interessenten sowohl für die inhaltlichen Fragen von Life Science und Künstlicher Intelligenz als auch für das Veranstaltungsformat Scion selbst zu gewinnen. In 2019 planen wir die Fortsetzung der Veranstaltungsreihe und freuen uns abermals auf eine Vielzahl von Interessenten, spannende Themen und interessante Begegnungen.

Scion Herbst 2018

Last but not least: Eine Nennung unserer Sponsoren und Partner im Detail, die sich alle sehr darum bemüht haben, Scion 2018 zum Erfolg zu führen. Herzlichen Dank nochmals dafür an Euch: Zeiss Microscopy und die Zeiss-Plattform APEER, Bayer Pharma AG, Karlsruhe Institut für Technologie, UKE Hamburg, CyberForum, baden württemberg: connected (bwcon), Technologiefabrik Karlsruhe, PionierGarage Karlsruhe, BioLAGO, BioRN, KI Bundesverband e.V., Pathologie Molekularpathologie Pforzheim (PMP), Digital Hub Initiative, BEYOND Festival Future Design, karlsruhe.digital, eit Health, BIO PRO Baden-Württemberg, Walls.io, Hochschule Technik Wirtschaft Karlsruhe, Hochschule Pforzheim, Universitätsklinikum Mannheim – Pathologisches Institut, Universitätsklinikum Freiburg, Duale Hochschule Baden-Württemberg Karlsruhe, Hochschule für Gestaltung Karlsruhe, Städtisches Klinikum Karlsruhe, Deutsche Stammzellspenderdatei und ein ganz besonderer Dank geht an Jürgen Siegloch für die Begleitung und Koordination von Scion 2018 in allen Planungsphasen.

Für weitere Informationen zu Scion http://scion.hs-analysis.com/

Privatdozentin Dr. Afsaneh Soruri hat an der Universität Göttingen Immunologie, Biochemie und Mikrobiologie studiert. Promoviert wurde sie auf dem Gebiet der Antigenpräsentation durch Dendritische Zellen. In Ihrer Habilitation beschäftigte sie sich mit dem Thema Migration und Reifung von Antigen-Präsentierenden-Zellen in vivo. Das besondere Interesse der Naturwissenschaftlerin gilt der Bedeutung der Antigenpräsentation im Tumorgewebe. In 2009 gründete Afsaneh Soruri das Labor „Molekulare Diagnostik“ am Institut für Pathologie und Molekularpathologie Pforzheim. Frau Dr. Soruri möchte die molekulare Diagnostik weiterentwickeln, die bei der individuellen Krebstherapie eine bedeutende Rolle spielt.

In ihrem Vortrag bei Scion Herbst 2018 (26.-28.10.18 in Karlsruhe)  wird Dr. Soruri unterschiedliche Methoden der Diagnostik vorstellen.

PD Dr. Afsaneh Soruri, Institut für Pathologie & Molekularpathologie Pforzheim (PMP)
[ Quelle: Afsaneh Soruri ]

Thomas Betz ist seit 4 Jahrzehnten in Entwicklung und Vertrieb mit der Mikroskop-Bildanalyse beschäftigt. Die Zusammenarbeit mit HS Analysis besteht bereits seit 4 Jahren und wird von Thomas Betz als offen und kreativ bezeichnet. Bei Scion Herbst 2018 wird der Zeissianer (siehe auch ZEISS Mikroskopie) „sein“ Demosystem Axio Scan.Z1 mitbringen und bei einem sicherlich spannenden Workshop den Teilnehmerinnen und Teilnehmern am Samstag, den 27. Oktober erläutern, wie digitale Mikroskopiedaten, die so genannten Whole-Slide-Imaging-Daten (WSI), überhaupt entstehen. Insbesondere basieren die Hackathonaufgaben 1 und 2 auf Daten, die mit dem Axio Scan.Z1 erzeugt wurden. http://hsalink.de/sh18hack

Axio Scan.Z1 Digital Slide Scanner

Dipl.-Ing. Thomas Betz, Spezialist Whole Slide Imaging Zeiss Mikroskopie
[ Quelle der Bilder: Thomas Betz / Zeiss Mikroskopie ]

Mikroskope finden ihre Anwendung auch in der Materialwirtschaft und Materialforschung in Qualitätssicherung und Fehleranalyse. Detlef Lang von der Carl Zeiss Microscopy GmbH wird ebenfalls einen Mikroskopie-Workshop zu diesem Thema am Freitag, den 26. Oktober, geben. Der Physiker und Astronom hat in Heidelberg studiert und war mehrere Jahre am Karlsruhe Institut für Technologie (KIT)  in der Geochemie beschäftigt bevor er in die Oberflächenanalytik wechselte. In seinem Workshop möchte er den Teilnehmenden die Mikroskopie praktisch näher bringen und aufzeigen mit welchen Methoden geeignete optische Abbildungen erzielt werden. Interessant dürfte das auch für die Teilnehmenden des Hackathon sein, insbesondere Aufgabenstellung Nr. 10, bei der es um die automatisierte Bildanalyse in der Materialwirtschaft geht. –> http://hsalink.de/sh18hack 

Detlef lang gibt seinen Workshop zum Thema Zeiss Microscopy bei Scion Sommer 2018
[ Foto: Michael M. Roth, HS Analysis ]

Sergey Biniaminov und das Team der HS Analysis GmbH sind Spezialisten bei der Bildanalyse in der Materialwirtschaft aber auch Experten für die WSI Daten (Whole Slide Imaging) in der biomedizinischen Forschung sowie Diagnostik.

Bei Scion Herbst 2018, 26.-28.10.18 in der Technologiefabrik Karlsruhe zeigt Herr Biniaminov, wie ein optimaler WSI-Manager und -Viewer aussehen kann und stellt einen Assistenten zur Auswertung von Mikroskopiedaten vor. Er hat sich das Ziel gesetzt, in der Medizin und Materialwirtschaft das Vertrauen in die Künstliche Intelligenz zu stärken, die beispielsweise bei der automatisierten Bildanalyse durch HS Analysis zur Anwendung kommt. Anmeldung Scion Herbst 2018.

Sergey Biniaminov, CEO von HS Analysis in Karlsruhe
[ Foto: Michael M. Roth, HS Analysis ]

Bitte bei allen Posts rund um Scion Herbst 2018 folgenden Hashtag verwenden:
#Scion2018

Links:
Web: http://scion.hs-analysis.com/scion-herbst-2018
Facebook: https://www.facebook.com/events/2122025434678461

Sie folgen uns noch nicht? / Bist Du schon Fan?
Facebook: https://www.facebook.com/hsanalysis
Twitter: https://twitter.com/hsanalysis
Instagram:  https://www.instagram.com/hsanalysis

Text: Michael M. Roth, HS Analysis