KI-gestützte Mikroskopiebildanalyse in Pharma und Biotech
Branchenlösungen

KI-gestützte Mikroskopiebildanalyse in Pharma und Biotech

Bahnbrechende Erkenntnisse aus großen, komplexen Datensätzen

Die biomedizinische Forschung ist förmlich explodiert: Pharma- und Biotech-Unternehmen erhoffen sich unzählige Chancen zur Entwicklung neuer Medikamente, Anwendungen und Technologien. Doch Innovationen verlangen nach komplexen Versuchsaufbauten, die sich in unhandlichen, mehrdimensionalen Datensätzen niederschlagen. Ohne automatisierte Analyse ist es praktisch nicht mehr möglich, aus den erfassten Daten bahnbrechende Erkenntnisse zu gewinnen. Die KI-gestützte Bildanalyse von ZEISS löst drei Herausforderungen auf dem Weg zu Innovationen:

  • Einblicke: Analysieren Sie Bilddaten und gewinnen Sie umfassende Informationen.
  • Automatisierung: Steigern Sie Durchsatz und Effizienz bei großen Datenmengen.
  • Reproduzierbarkeit: Sorgen Sie für zuverlässige Ergebnisse, heute und morgen, für alle Benutzer und Standorte.
Zellkernsegmentierung mit konventionellen Bildanalysemethoden

Zellkernsegmentierung mit konventionellen Bildanalysemethoden

Zellkernsegmentierung mit konventionellen Bildanalysemethoden

Zellkernsegmentierung mit konventionellen Bildanalysemethoden

Zellkernsegmentierung mit konventionellen Bildanalysemethoden

Grenzen der klassischen Bildanalyse

Forscher in der Arzneimittel- und Biotech-Forschung befassen sich schon seit Langem mit Methoden für die automatisierte Bildanalyse. Der gängigste Ansatz besteht in einer Sequenz von Verarbeitungsfunktionen (z. B. Glättung oder Kantenerkennung), an die sich eine schwellenwertbasierte Segmentierung anschließt. Solche Sequenzen können konfiguriert werden, sodass einfache Analyse-Pipelines für typische Aufgaben entstehen, z. B. die Identifizierung und Zählung von Zellkernen, Zellen und anderen relevanten subzellulären Merkmalen. Trotz ihrer Leistung bei zahlreichen Standard-Bildanalyseaufgaben hat diese klassische schwellenwertbasierte Bildsegmentierung ihre Grenzen. Für umfangreiche Analysen komplizierter Datensätze bedeutet das meist erhebliche Rückschläge.

Die Algorithmen berücksichtigen nur eine kleine Teilmenge der Bildparameter, in erster Linie die Helligkeit. Die Signalintensität und der homogene Hintergrund der Bilder müssen absolut einheitlich sein. Bei heterogenen Bildgruppen versagen diese Pipelines oft – es kommt zu Artefakten oder unvollständigen Analysen. Bei dem Aufbau und den Tests der Pipelines kommt es auf die Erfahrung und die Kompetenz im Bereich der Analysealgorithmen an. Diese Abhängigkeit von speziellen Qualifikationen kann zu inkonsistenten Ergebnissen führen, wenn die Wissenschaftler, die für die Bildanalyse zuständig sind, unterschiedlich ausgeprägte Fachkenntnisse besitzen (oder die nötigen Fachkenntnisse überhaupt nicht vorhanden sind).

Künstliche Intelligenz als entscheidender Faktor für die automatisierte Bildanalyse
Künstliche Intelligenz als entscheidender Faktor für die automatisierte Bildanalyse

Künstliche Intelligenz als entscheidender Faktor für die automatisierte Bildanalyse

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.

Osteosarkomzellen
Osteosarkomzellen

Osteosarkomzellen mit blau gefärbten Zellkernen (DAPI; links), Zellkerne nach Segmentierung mit konventionellem Machine Learning (Mitte), Segmentierung gefolgt von der Wasserscheidentrennung einzelner Zellkerne (rechts)

Osteosarkomzellen mit blau gefärbten Zellkernen (DAPI; links), Zellkerne nach Segmentierung mit konventionellem Machine Learning (Mitte), Segmentierung gefolgt von der Wasserscheidentrennung einzelner Zellkerne (rechts)

KI-gestützte Pipelines für hervorragende Ergebnisse bei anspruchsvollen Szenarien

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.

ZEISS Bildanalyse-Ökosystem mit Künstlicher Intelligenz

ZEISS Bildanalyse-Ökosystem mit Künstlicher Intelligenz

ZEISS Bildanalyse-Ökosystem mit Künstlicher Intelligenz

ZEISS Bildanalyse-Ökosystem mit Künstlicher Intelligenz

KI-basierte Bildanalyse-Workflows vereinen die präzise Bildsegmentierung und -klassifizierung mit der Automatisierung und ermöglichen damit reproduzierbare Datenanalysen mit hohem Durchsatz. KI-Analyse-Workflows unterstützen Biopharma-Forschungsteams dabei, bessere Arzneimittelkandidaten zu identifizieren, aus der frühen Forschung heraus weiterzuentwickeln und in präklinische Studien zu überführen, die als Grundlage für den Antrag auf Genehmigung zur klinischen Prüfung dienen.
Das bringt zwei Vorteile mit sich:

  • Keine hohen Ausfallkosten durch ein Scheitern in der späten Entwicklung.
  • Wettbewerbsvorteile durch schnellere Marktreife.

Softwarelösungen von ZEISS eröffnen Nutzern die Möglichkeit, das Potenzial der KI auszuschöpfen und die Produktion zu steigern – unabhängig von ihrem Kenntnisstand:

  • Auf der cloudbasierten arivis Cloud Lernplattform sind Nutzer auch ohne Programmierkenntnisse in der Lage, einfach und effizient Trainingsdatensätze zu markieren und daraus Deep-Learning-Modelle zu entwickeln.
  • Deep-Learning-Modelle lassen sich in der ZEISS ZEN Software im Rahmen der Bildanalyse oder als Teil eines optimierten Bio Apps Workflows verwenden.
  • Für hochkomplexe Analysen und/oder sehr große Datenmengen in der Analyse-Pipeline empfiehlt sich die Entwicklung in arivis Pro, einer hocheffizienten Bildanalyse-Suite für komplexe, mehrdimensionale Datensätze. Wenn Sie dann noch die KI-gestützten Analyse-Pipelines mit der serverbasierten Analyseplattform arivis ProHub verbinden, ergänzen Sie die Analysetechnologie von arivis Pro mit höherem Durchsatz und Skalierbarkeit.

ZEISS Microscopy kontaktieren

Kontakt

Formular wird geladen ...

/ 4
Nächster Schritt:
  • Schritt 1
  • Schritt 2
  • Schritt 3
Kontaktieren Sie uns
Erforderliche Angaben
Optionale Angaben

Weitere Informationen über die Datenverarbeitung bei ZEISS entnehmen Sie bitte unserem Datenschutzhinweis.

  • 1

    Die Bilder auf dieser Seite zeigen Forschungsinhalte. ZEISS schließt die Möglichkeit zur Diagnosestellung oder zur Therapieempfehlung bei möglicherweise betroffenen Patienten auf der Grundlage der mit einem Axioscan 7 Slide-Scanner generierten Daten ausdrücklich aus.