AI-gestützte Krebsfrüherkennung Master-Thesis-Projekt von Morteza Kiani Haftlang

In seiner Forschung bei IMAI MedTec untersucht er selbstüberwachende KI-Modelle zur Erkennung von Krebs in 3D Light Sheet Microscopy (LSM)-Bildern mit dem Ziel, die Genauigkeit zu verbessern und den manuellen Beschriftungsaufwand zu reduzieren. Sie möchten wissen, wie KI die Krebsdiagnostik revolutionieren kann?

Im Interview gibt Morteza spannende Einblicke in seine Arbeit, die Herausforderungen von KI in der medizinischen Bildgebung und wie ihn das Studium an der HSLU geprägt hat.

Shortcuts: 
Einleitung | Das Projekt | Ergebnisse und Erkenntnisse | Programm Information | Kontakt Info-Events 

Morteza Kiani Haftlang, Absolvent des MSc in Applied Information and Data Science an der Hochschule Luzern, verfasste seine Masterarbeit bei IMAI MedTec zum Thema KI-gestützte medizinische Bildgebung zur Krebsfrüherkennung. 

Zunächst zu dir persönlich: Welche Hashtags beschreiben dich am besten?
#Lerner #Multidisziplinarität #Hobbykoch #AGI-Enthusiast

Erzähl uns mehr zu den Hashtags.
Jeder dieser Hashtags steht für einen zentralen Aspekt meiner Persönlichkeit und meines beruflichen Weges:

#Lerner: In einer Zeit ständig neuer Technologien ist kontinuierliches Lernen essenziell. Ich bemühe mich, mit aktuellen Entwicklungen im Bereich KI Schritt zu halten und bilde mich laufend weiter, insbesondere in den Bereichen KI, Gesundheitswesen und darüber hinaus.

#Multidisziplinarität: Mein Ziel ist es, unterschiedliche Fachbereiche miteinander zu verbinden – von Künstlicher Intelligenz und medizinischer Bildgebung bis hin zu Ingenieurwissenschaften.

#Hobbykoch: Kochen ist meine Leidenschaft. Wie in der KI führt auch beim Kochen die richtige Kombination aus Zutaten – Daten, Modelle und Algorithmen – zu den besten Ergebnissen.

#AGI-Enthusiast: Ich bin fasziniert von der Zukunft der Artificial General Intelligence (AGI) und ihrem Potenzial, ganze Branchen, insbesondere das Gesundheitswesen, grundlegend zu verändern.

Nun zu deiner beruflichen Tätigkeit: Was hast du bei IMAI MedTec gemacht?
Im Rahmen meiner Masterarbeit bei IMAI MedTec habe ich einen Vergleich verschiedener Modelle durchgeführt insbesondere selbstüberwachender KI-Modelle, um die Krebsfrüherkennung in 3D-histopathologischen Bilddaten zu verbessern. Ziel war es, krebsartige Zellen präzise zu identifizieren und zu beschriften. Meine Arbeit bestand darin, Deep-Learning-Modelle zu erforschen, zu trainieren und zu optimieren, die Patholog*innen bei der Analyse von Gewebeproben unterstützen. Durch die Reduktion manueller Annotationen kann die Krebserkennung schneller und präziser erfolgen.

Was hast du vorher gemacht?
Vor meiner Masterarbeit absolvierte ich ein Praktikum bei Roche, wo ich im Bereich Data Engineering und Datenanalyse tätig war, unter anderem mit Daten aus Produktionslinien und Blutsensoren. Davor arbeitete ich als Elektroingenieur. Man sieht also: Mein beruflicher Weg hat sich stark verändert. Ich habe mich bewusst für einen Wechsel in die Healthcare-KI entschieden, weil ich meine technischen Fähigkeiten in einem Bereich einsetzen wollte, in dem Technologie Leben retten kann. Die Chance, bei IMAI MedTec an innovativer medizinischer Bildgebung zu arbeiten, war einfach zu spannend und so begann mein Projekt.

Erzähl uns von deinem Forschungsprojekt.
Meine Forschung konzentrierte sich auf selbstüberwachende Deep-Learning-Modelle zur Erkennung von Krebs in 3D-Bildern aus der Light Sheet Microscopy (LSM). Bei herkömmlichen histologischen Analysen werden aufgrund begrenzter Gewebeproben oft krebsartige Zellen übersehen – in bis zu 20 % der Fälle kann es zu Fehldiagnosen kommen. Mithilfe von KI wollen wir vollständige Gewebeproben in 3D analysieren und so das Risiko verpasster Diagnosen reduzieren.

Wir haben verschiedene Modelle aus dieser Studie – U-Net, BTUNet, YOLOv8x-seg, YOLOv8x+SAM und HoverNet – auf einen von IMAI bereitgestellten Datensatz angewendet. Ziel des Projekts war es, verschiedene Modelle hinsichtlich Genauigkeit und Effizienz bei der Segmentierung von Krebszellen zu vergleichen und so die optimale Balance zu finden.

Welche Daten und Methoden hast du verwendet und welche wichtigen Erkenntnisse hast du daraus gewonnen? 
Wir arbeiteten mit hochauflösenden 3D-LSM-Bildern histopathologischer Gewebeproben. Aufgrund ihrer Grösse (teils bis zu 100 GB) und der Komplexität des Bildinhalts mussten die Bilder vorverarbeitet sowie normalisiert, augmentiert und in Deep-Learning-freundliche Formate überführt werden.

Wir haben fünf zentrale Modelle evaluiert:

• U-Net: Ein klassisches Segmentierungsmodell, das weit verbreitet in der biomedizinischen Bildgebung eingesetzt wird.
• BTUNet: Eine selbstüberwachende Variante von U-Net, die Barlow Twins nutzt.
• YOLOv8x-seg: Ein auf Geschwindigkeit optimiertes Echtzeit-Segmentierungsmodell.
• YOLOv8x+SAM: Ein hybrides Modell, das das Segment Anything Model (SAM) integriert.
• HoverNet: Ein leistungsstarkes Modell mit zwei Aufgabenfeldern, speziell für die histopathologische Analyse entwickelt.

Wie können deine Ergebnisse unserer Gesellschaft helfen?
Unsere Forschung liefert wertvolle Erkenntnisse, die die Krebsfrüherkennung und -diagnostik erheblich verbessern können. Unter den von uns getesteten Modellen zeigte HoverNet die höchste Segmentierungsgenauigkeit und ist damit die verlässlichste Wahl für präzise Krebsdetektion. BTUNet überzeugte insbesondere bei eingeschränkt beschrifteten Datensätzen und bewies die Wirksamkeit von selbstüberwachtem Lernen durch stabile Vorhersagen. YOLOv8x-seg stach durch seine Geschwindigkeit hervor und ist daher ein vielversprechender Kandidat für Echtzeitanwendungen – allerdings mit einem kleinen Kompromiss bei der Genauigkeit.

Früherkennung kann Leben retten. Unsere Forschung trägt dazu bei, die Segmentierungsgenauigkeit zu erhöhen, automatische Beschriftung zu verbessern und den Bedarf an manueller Annotation zu verringern, was dazu führt:

• Höherer diagnostischer Präzision bei gleichzeitig reduziertem Risiko für falsch-negative Befunde
• Automatisierung zeitintensiver Aufgaben, sodass sich Patholog*innen auf komplexere Fälle konzentrieren können
• Verbesserter Zugang zu Diagnostik auch in ressourcenschwachen Regionen

Wie möchtest du dein Projekt in Zukunft weiterverfolgen?
Für die Zukunft sehe ich mehrere spannende Entwicklungsrichtungen. Ein Schwerpunkt liegt auf der Erhöhung der Modellrobustheit, indem ich auf vielfältigeren Datensätzen trainiere um eine bessere Generalisierbarkeit auf unterschiedliche Gewebetypen und Krankheitsbilder zu erreichen. Zudem möchte ich die Modellarchitektur für Echtzeitanwendungen optimieren, um die Verarbeitungszeiten weiter zu reduzieren und KI-gestützte Diagnostik schneller und effizienter zu machen.

Ein weiterer vielversprechender Ansatz ist die Integration multimodaler Bilddaten, zum Beispiel durch die Kombination von MRT mit histopathologischen Bildern, um ein umfassenderes Bild der Gewebestruktur zu erhalten. Langfristiges Ziel ist der Einsatz von KI-gestützten Diagnosetools im klinischen Alltag, also die Brücke zwischen Forschung und medizinischer Praxis zu schlagen und so die Patientenversorgung zu verbessern.

Wie hat dein Studium das Projekt beeinflusst?
Mein Hintergrund in Ingenieurwesen, KI und Deep Learning hat die technische Grundlage für diese Forschung geschaffen. Darüber hinaus hat mir das Studium an der HSLU geholfen, Probleme strukturierter anzugehen, was besonders im Umgang mit grossen medizinischen Datensätzen und bei Deep-Learning-Experimenten entscheidend war.

Vor allem aber war die Unterstützung meines Betreuers Dr. Umberto Michelucci von unschätzbarem Wert. Er hat mir wichtige Impulse gegeben und das Projekt entscheidend mitgeprägt.

Welchen Rat würdest du anderen geben, die ähnliche Projekte starten? 
Das Verständnis der Fachdomäne ist entscheidend, die enge Zusammenarbeit mit medizinischen Expert*innen stellt sicher, dass KI-Modelle praxisrelevante Anforderungen erfüllen. Gleichzeitig ist die Datenqualität genauso wichtig wie die Modellarchitektur. Datenaufbereitung kann genauso aufwändig sein wie Ölbohrung – sie erfordert viel Aufwand und Präzision. Experimentieren und iterieren ist der Schlüssel zur Leistungsverbesserung: Teste verschiedene Modelle, Loss Functions und Augmentierungstechniken, und lerne dabei von bestehender Forschung und Best Practices. Und nicht zuletzt: Geduld ist unerlässlich – datengetriebene Med-Tech-Projekte sind oft zeitintensiv, auch wegen komplexer Datenstrukturen und ethischer Anforderungen. Aber mit Beharrlichkeit und sorgfältiger Verfeinerung lassen sich bedeutende Fortschritte erzielen.

Und nun zum Schluss: Welchen neuen Hashtag strebst du für die Zukunft an?
#KollektivesLernen: Ich bin überzeugt, dass Fortschritt in der KI kein individueller Weg ist, sondern ein gemeinsamer. Durch geteilte Forschung, interdisziplinäre Zusammenarbeit und eine offene Haltung können wir voneinander lernen und gemeinsam weiterkommen. KI hat das Potenzial, unsere Welt zu verändern, aber nur, wenn wir sie transparent, inklusiv und ethisch gestalten. Ich möchte Teil einer Zukunft sein, in der Wissen geteilt und nicht gehortet wird, um mit KI das Leben aller Menschen zu verbessern. Nur gemeinsam schaffen wir eine KI-gestützte Welt, die wirklich allen zugutekommt.

Wir bedanken uns bei Morteza Kiani Haftlang für das Engagement und die Zeit, um mit uns dieses wundervolle Forschungsprojekt zu teilen.