Sie sind hier: HomeRubrikenMesstechnik / Sensorik

News, Produkte, Fachartikel zu Embedded-Systemen: Echtzeitbetriebssysteme, Computer-Boards/Systeme, Erweiterungskarten, Entwicklungstools

Durchflusszytometrie und KI: Smarte Laser-Lichtschranke für Krebszellen

Krebspatienten, die mit Chemotherapie oder Immuntherapie behandelt werden, müssen sich regelmäßig Scans und in einigen Fällen neuen Biopsien unterziehen, um die Wirksamkeit der Behandlung zu beurteilen. Die Durchflusszytometrie ist sanfter und könnte die Krebsbehandlung tiefgreifend verändern.

mathworks Bildquelle: © Fotolia/Christoph Burgstedt

3D-Darstellung einer Krebszelle und Lymphozyten

Mit der mikroskopischen Diagnostik kommen die meisten Menschen im Laufe ihres Lebens in Berührung. Sie spielt vor allem für Patienten eine wichtige Rolle, bei denen eine Krebserkrankung vermutet wird. Bei den meisten Krebsarten werden Proben verwendet, die bei einem Zellabstreich oder einer Biopsie entnommen wurden. Zur mikroskopischen Untersuchung von Zell- oder Gewebeproben steht heute eine ganze Reihe unterschiedlicher Verfahren zur Verfügung wie die optische Mikroskopie. Hinzu kommen ergänzende Verfahren wie die Fluoreszenzmikroskopie, die mit fluoreszierenden Farbstoffen arbeitet und bei Bedarf noch detailreichere Informationen über Zellen und Gewebe liefert. Die tiefsten Einblicke erlauben moderne Elektronenmikroskope. Anstelle von Licht oder Färbemittel kommen hier beschleunigte Elektronen zum Einsatz, um die Strukturen sichtbar zu machen.

Eine weitere, in der Medizin breit angewandte Technik ist die Durchflusszytometrie (siehe Kasten). Hier kommen keine Mikroskope zum Einsatz, sondern sogenannte Durchflusszytometer. Die Zellen werden darin an einer Art Laser-Lichtschranke vorbeigeführt, maschinell gezählt und auf ihre Eigenschaften hin analysiert. Bei der herkömmlichen Methode benötigen die Zellen eine fluoreszierende Markierung. Diese kann das Verhalten der Zellen beeinflussen und die Anwendbarkeit des Verfahrens beeinträchtigen. Bildgebende Durchflusszytometer erfordern hingegen keine Markierungen, erzeugen jedoch mit Aufnahmegeschwindigkeiten von mehr als 2000 Zellen pro Sekunde unscharfe Bilder.Damit ist es nicht möglich, eine ausreichende Anzahl an Zellen zu scannen, um die seltenen abnormen Zellen zu finden.

Forscher von der University of California, Los Angeles (UCLA) haben ein Bildverarbeitungssystem entwickelt, in dem Durchflusszytometrie, Photonic Time Stretch und in Matlab entwickelte Machine-Learning-Algorithmen miteinander kombiniert sind. Das »TS-QPI-System« (Time Stretch Quantitative Phase Imaging) ermöglicht es ihnen, Krebszellen in Blutproben zu klassifizieren, ohne diese vorher zu markieren. Das Verfahren kann Zellen mit über 95-prozentiger Genauigkeit identifizieren.

mathworks Bildquelle: © MathWorks

Bild 1. Vergleich der Genauigkeit verschiedener Machine-Learning-Techniken für die Klassifikation von Blutkörperchen.

Funktionsweise von Photonic Time Stretch 

Das TS-QPI-System erzeugt eine Abfolge von Laserimpulsen, deren Dauer im Femtosekunden-Bereich liegt. Linsen, Beugungsgitter, Spiegel und ein Strahlteiler zerstreuen die Laserimpulse zu einer Abfolge von Blitzen in Regenbogenfarben, die die Zellen beim Durchlaufen des Zytometers beleuchten. Räumliche Informationen zu jeder Zelle sind im Spektrum eines Impulses codiert. Die optische Streuung erzeugt unterschiedliche Verzögerungen für unterschiedliche Wellenlängenanteile. Indem die Forscher die Signale auf diese Weise optisch verarbeiten, werden sie ausreichend verlangsamt, um sie in Echtzeit mit einem elektronischen Analog-Digital-Wandler (ADC) umwandeln zu können.

Die relativ niedrige Anzahl an Photonen, die während der kurzen Impulsdauer erfasst werden, und der Abfall optischer Leistung, der durch den Time Stretch verursacht wird, erschweren die Erkennung des entstehenden Signals. Diesen Sensitivitätsverlust kompensieren die Forscher mithilfe eines Raman-Verstärkers. Da sich das Signal verlangsamt und gleichzeitig verstärkt, kann das System zugleich Bilder für die quantitative optische Phasenverschiebung und den Intensitätsverlust für jede Zelle in der Stichprobe erfassen.

Auswählen von Merkmalen

Das TS-QPI-System erzeugt 100 Gigabyte Daten pro Sekunde. Das ist ein enormer Datenstrom, der den gleichen Umfang hat wie 20 HD-Filme pro Sekunde. Für ein einzelnes Experiment, bei dem jede Zelle in einer Blutprobe von zehn Millilitern abgebildet wird und fast 100.000 Zellen pro Sekunde verarbeitet werden, erzeugt das System 10 bis 50 Terabyte Daten.

Mit Matlab und der Image Processing Toolbox haben die Forscher eine Machine-Vision-Pipeline entwickelt, um die biophysikalischen Merkmale aus den Bildern von den Zellen zu extrahieren. Die Pipeline umfasst unter anderem »CellProfiler«, ein in Python geschriebenes Open-Source-Paket für die Analyse von Bildern von Zellen. Insgesamt wurden über 200 Merkmale aus jeder Zelle extrahiert, die die Wissenschaftler anschließend in drei Kategorien einteilten: morphologische Merkmale, die die Größe und die Form der Zelle charakterisieren, Merkmale optischer Phasen, die mit der Dichte der Zelle korrelieren, sowie Merkmale optischer Verluste, die mit der Größe von Organellen in der Zelle korrelieren. Eine lineare Regression zeigte, dass 16 dieser Merkmale den Großteil der Informationen enthalten, die für die Klassifikation erforderlich sind.

mathworks Bildquelle: © MathWorks

Bild 2. Diagramm des Systems für Time Stretch Quantitative Phase Imaging und Analyse.