ZHAW-Studenten gewinnen regionalen Siemens Excellence Award mit Arbeit über KI-Modell zur Verbesserung der Schilddrüsenkrebs-Diagnose
Die Informatik-Absolventen Tenzin Samdrup Langdun und Martin Oswald gewinnen für ihre Bachelorarbeit: «Deep-Learning-Based Cell Segmentation for the Detection of Thyroid Cancer in Single Cells» den mit 4´000 Franken dotierten regionalen Siemens Excellence Award. Mit der Auszeichnung sind für den nationalen Siemens Excellence Award 2024 nominiert.
Bei der Diagnose von Schilddrüsenkrebs stellt die manuelle Segmentierung von soggenannten Fluoreszenzpolarisationsbildern (Fpol) eine Herausforderung dar, da sie bislang mit grossem zeitlichem Aufwand verbunden ist und damit einer breiten Anwendung im Weg steht. Die beiden frisch graduierten Informatik-Absolventen Tenzin Samdrup Langdun und Martin Oswald haben in ihrer Bachelorarbeit daher ein auf U-Net basierendes Deep-Learning-Modell für die automatische Zellsegmentierung entwickelt. Das Modell der beiden konzentriert sich darauf, die Einschränkungen durch die manuelle Bildsegmentierung aufzuheben und die bislang fehleranfällige Analyse biologischer Bilder durch den Menschen zu verbessern. Durch die Einbeziehung von nicht-eindeutig gelabelten Bildern wird die Leistung des Modells erheblich verbessert.
Co-Betreuer Prof. Dr. Thilo Stadelmann erklärt: «Menschen lernen sehr gut aus ungenauen Angaben: unvollständigen Daten, lediglich skizzenhaften Beschreibungen anstatt perfekter Information. Diese Art Daten für eine konkrete Anwendung des maschinellen Lernens nutzbar gemacht zu haben, ist die wesentliche Leistung von Martin und Tenzin, die hier sehr zu recht mit erstaunlichem Erfolg belohnt wurde.»
Ebenso untersuchten die beiden ZHAW-Absolventen den Einsatz von Semi-supervised Active Learning (SSAL) bei dem das KI-Modell der beiden mit pseudo-markierten Bildern trainiert wird. Dabei wurde zunächst eine Verschlechterung der Segmentierungsleistung festgestellt. Durch die manuelle Korrektur der pseudo-markierten Bildern konnte die Bildsegmentierung jedoch leicht verbessert werden und gleichzeitig der durchschnittliche Zeitaufwand für die Kennzeichnung der Bilddaten um 65 Prozent reduziert werden. Im Gesamten konnte durch diesen automatisierten Ansatz der Zeitaufwand für die manuelle Segmentierung und die Berechnung der Fpol-Werte um mehr als 99,7 Prozent verringert werden. Ein beeindruckendes Ergebnis, mit dem Tenzin Samdrup Langdun und Martin Oswald zeigen, was für ein enormes Entwicklungspotenzial in der Anwendung des SSAL-Frameworks bei der Diagnostik von Schilddrüsenkrebs steckt.