Deep Learning für die mikroskopische Bild- und Mikrobiomanalyse (micro2DL)

Im Projekt micro2DL (Deep Learning für die mikroskopische Bild- und Mikrobiomanalyse) entwickelt die Technische Hochschule Wildau (FH) zusammen mit den Projektpartnern BIOMES NGS und Oculyze Deep-Learning-Modelle für die Biowissenschaften. Durch den Einsatz des maschinellen Lernens in der mikroskopischen Bilderkennung und der Mikrobiomanalyse lassen sich Daten automatisiert verarbeiten, und neue Analysen werden möglich. Projektleiter ist Prof. Dr. Marcus Frohme.

Herausforderung

Verfahren zur Bilderkennung haben einen sehr hohen technischen Stand erreicht und werden an vielen Stellen erfolgreich eingesetzt. Es liegt deshalb nahe, diese Methoden auf Bereiche zu übertragen, in denen sehr viele Bilddaten anfallen, die noch nicht automatisiert ausgewertet werden, beispielsweise die Biowissenschaften. Bei modernen Verfahren wie dem Next Generation Sequencing (NGS) für die genetische Diagnostik entstehen bei einem Analysevorgang Datenmengen im Terabyte-Bereich. Diese Datenmengen können von Experten nicht mehr fachkundig ausgewertet werden. Die Übertragung von Deep-Learning-Methoden des maschinellen Lernens ist aber problematisch, weil sich Zellstrukturen sehr ähneln und nur schwer voneinander abzugrenzen sind. Die Herausforderung besteht also darin, Deep-Learning-Modelle zu entwickeln, die für die genannten Aufgaben geeignet sind und sich in weitere Bereiche ausbauen lassen.

Ziele und Vorgehen

Ziel des Projekts micro2DL ist die Entwicklung eines optimierten Sets von Deep-Learning-Methoden und -Modellen für die Blutbild- und Mikrobiomanalyse. Diese Methoden und Modelle sollen sich dadurch auszeichnen, dass sie eine sehr gute Klassifizierungsrate haben und beim Eingeben neuer Daten stabil bleiben. Die Aktualisierung der Deep-Learning-Modelle soll mit reduzierten Datensätzen, sogenannten Batches, möglich sein, weil dies den Zeit- und Kostenaufwand deutlich senkt. Im Projekt werden Algorithmen entwickelt, die automatisch komplexe Datenstrukturen erlernen und sie mit Merkmalen verknüpfen, die empirisch nicht identifizierbar wären.

Deep Learning basiert auf künstlichen neuronalen Netzen (KNN). Um ein KNN effektiv zu nutzen, müssen parallele Berechnungen in einem Umfang ausgeführt werden, der den Einsatz hochspezialisierter Grafikprozessoren nötig macht. Außer dieser Hardware ist ein sogenanntes Deep-Learning-Framework nötig, mit dem Hard-, Software und die Netzwerkmodelle verknüpft werden. Diese Komponenten werden im Projekt aufeinander abgestimmt und erprobt.

Innovationen und Perspektiven

Eine Neuheit des Projektes micro2DL ist die gemeinsame Bearbeitung von zwei unterschiedlichen marktrelevanten Anwendungen: der mikroskopischen Bilderkennung und der Mikrobiomanalyse. Für die beiden Industriepartner ergeben sich aufgrund der Entwicklungen im Gesundheitswesen und im Bereich e-Health konkrete Produktmöglichkeiten. Beispiele sind die mobile Mikroskopie außerhalb von medizinischen Zentren, etwa schnelle Blutbildanalysen in Apotheken in ländlichen Gegenden oder Mikrobiomanalysen der Darmflora für den e-Health-Bereich. Mit den im Projekt entwickelten Deep-Learning-Modellen können beide Industriepartner ihr Produktportfolio für den Diagnosebereich ausbauen und weitere Märkte erschließen. Die Ergebnisse werden der Öffentlichkeit über wissenschaftliche Konferenzen und Publikationen zugänglich gemacht.