Ein neues KI-Modell soll die Auswertung von Einzelzelldaten bei Blut- und Lymphdrüsenkrebs vereinfachen. CytoVI kann Daten aus der Durchflusszytometrie zusammenführen, Zelltypen automatisch zuordnen und technische Unterschiede zwischen Messungen berücksichtigen. Entwickelt wurde das Open-Source-Modell unter Beteiligung des Universitätsklinikums Freiburg.
Die Durchflusszytometrie gehört zur Routinediagnostik hämatologischer Erkrankungen. Dabei werden mithilfe von Lasern Merkmale einzelner Zellen wie bestimmte Proteine, Zellgröße und innere Struktur erfasst. Die anschließende Auswertung erfordert bislang vielfach eine manuelle Zuordnung von Zellpopulationen durch Fachpersonal. Genau hier setzt CytoVI an.
Technische Unterschiede automatisch berücksichtigen
CytoVI ist ein generatives KI-Modell für antikörperbasierte Einzelzelldaten. Es soll unter anderem Unterschiede zwischen Messreihen, Laborverfahren und verwendeten Antikörper-Panels mathematisch berücksichtigen. Zudem kann das Modell fehlende Proteinmessungen statistisch abschätzen und Zellpopulationen automatisiert annotieren. In der aktuell veröffentlichten Studie testeten die Forschenden das Verfahren unter anderem anhand klinischer Routinedaten von Menschen mit chronischer lymphatischer Leukämie (CLL). Für ein Referenzmodell wurden zunächst Daten von zehn Patientinnen und Patienten mit hoher Tumorlast sowie zehn Kontrollen ohne nachweisbare Erkrankung genutzt. Anschließend wurde das Modell auf weitere klinische Proben übertragen. Insgesamt umfasste diese Auswertung 45 positive Proben sowie 50 Kontrollen ohne nachweisbare CLL.
CytoVI konnte charakteristische CLL-Zellen identifizieren. Die automatisch bestimmte Häufigkeit dieser Zellen stimmte dabei eng mit den Zuordnungen durch Hämatologinnen und Hämatologen überein. Besonders bei Proben mit hoher Tumorlast ließ sich die Erkrankung deutlich von Kontrollen ohne nachweisbare Erkrankung unterscheiden.
„Wir können damit Blutproben, die in der Klinik ohnehin erfasst werden, künftig wesentlich stärker automatisiert auswerten“, betont Studien-Erstautor Florian Ingelfinger vom Universitätsklinikum Freiburg. Das Modell könne Kliniken entlasten und zugleich dabei helfen, bislang unbekannte Zellpopulationen zu untersuchen.
Die Studie zeigt zugleich Grenzen des Verfahrens. Allein anhand des automatisiert bestimmten Anteils an CLL-Zellen ließen sich Proben mit geringer Tumorlast nach einer Behandlung nicht zuverlässig von Proben ohne nachweisbare Erkrankung unterscheiden. Erst die Kombination weiterer Merkmale verbesserte die Klassifikation. Für diesen Ansatz berichten die Forschenden eine AUC von 0,74 ± 0,09. Eine breite klinische Validierung des Modells steht damit noch aus. Neben CLL untersuchte das Team CytoVI an Durchflusszytometrie-Daten von 63 Patientinnen und Patienten mit verschiedenen B-Zell-Non-Hodgkin-Lymphomen. Das Modell konnte dabei Daten aus unterschiedlichen Antikörper-Panels zusammenführen und krankheitsassoziierte Zellzustände identifizieren. CytoVI ist als Open-Source-Software verfügbar. Die Forschenden sehen Einsatzmöglichkeiten vor allem bei der standardisierten Auswertung großer Einzelzelldatensätze sowie perspektivisch bei Diagnostik, Krankheitsmonitoring und der Untersuchung von Therapieeffekten.
