Smartphone Mikroskopie und Bildanalyse in der Diagnostik

Juliane Pfeil1, Marcus Frohme1, Katja Schulze2
1Abteilung Molekulare Biotechnologie und Funktionelle Genomik, Technische Hochschule Wildau, Deutschland
2Oculyze GmbH, Wildau, Deutschland

In den letzten 10 Jahre gab es eine deutliche Verbesserung der optischen Komponenten in Kameras von mobilen Endgeräten parallel zu einer immensen Steigerung ihrer Rechenleistung. Beides war Grundvoraussetzung um Smartphones nicht nur zum Telefonieren und Surfen im Internet zu benutzen, sondern diese als Sensoren in neuen Anwendungsgebieten in Betracht zu ziehen.
Bedingt durch ihre Mobilität sind sie insbesondere für Einsatzorte interessant, die ungenügend ausgerüstet oder schlecht zugänglich sind und Anwendungen, welche eine unmittelbare Analyse erfordern. Die Idee basierend auf dem Kameramodul eines Smartphones ein Mikroskop zu entwickeln, zielte insbesondere auf eine Anwendung in der medizinischen Diagnostik, um vor Ort unmittelbar eine Analyse durchführen zu können. Das sogenannte POCT (point-of-care-testing) gewinnt nicht nur in unterversorgten Entwicklungs- und Schwellenländern an Bedeutung, auch immer mehr ländliche Regionen in Deutschland leiden an einer mangelhaften medizinischen Infrastruktur durch fortschreitenden Ärztemangel bei zunehmendem Durchschnittsalter der Bevölkerung (Kassenärztliche Bundesvereinigung 2018a, b).
Das erste Smartphone Mikroskop wurde im Jahr 2009 vorgestellt (Breslauer et al., 2009). Dieser damals noch sehr klobige Aufsatz, bestehend aus verschiedenen herkömmlichen Mikroskopie-Modulen, ermöglichte es erstmals vor Ort und unmittelbar Zell- oder Gewebeproben zu untersuchen. Verschiedene Forschungsgruppen beschäftigten sich in der Folge mit einer Verbesserung der Technologie, um nicht nur die Optik des Smartphones zu nutzen, sondern auch eine automatisierte Bildanalyse zu etablieren, um bestenfalls Expertenwissen entbehrlich zu machen. Die neuesten Entwicklungen ermöglichen es nicht nur im Hellfeld Proben zu untersuchen, sondern auch Fluoreszenz-, Dunkelfeld- und Phasenkontrast-Mikroskopie. Ihre Applikation für die Diagnostik verschiedener Erkrankungen wie Tuberkulose, parasitäre Infektionen und Fertilitätsuntersuchungen wurde dargestellt. Eine kommerzielle Verfügbarkeit ist derzeit jedoch nur bei wenigen Lösungen gegeben, sodass es bisher keine direkte Anwendung für das POCT gibt. (Pfeil et al., 2018)

In der Bildanalyse können mittels neuronaler Netze und Deep Learning (DL) eine Vielzahl verschiedener Objekte auf einer Aufnahme identifiziert werden. Primär werden solche Algorithmen für die Detektion von Alltagsgegenständen genutzt, um selbst-fahrende Fahrzeuge zu trainieren oder Gesichter zu erkennen, zunehmend werden sie aber auch im medizinischen Umfeld insbesondere in der Mikroskopie etabliert. Die besondere Schwierigkeit in der Erkennung mikroskopischer Objekte liegt darin, nicht nur eine Klassifikation einzelner Objekte durchzuführen, sondern eine sogenannte Instanz-Segmentierung von Zellen oder Partikeln zu erreichen, um für medizin-diagnostische Anwendungen die notwendige Genauigkeit zu erreichen. (Felsberg, 2017)
In Abbildung 1 sind diese Unterschiede anhand einer mikroskopischen Aufnahme von Blutzellen dargestellt. Der einfachste Ansatz ist eine simple Klassifikation, d. H. die Zuordnung eines einzigen Objekts oder Zustands zu einer Klasse. In diesem Beispiel könnte überprüft werden, ob die Abbildung auf der linken Seite eine Blutprobe zeigt oder etwas anderes. Diese Aussage ist im diagnostischen Kontext jedoch wenig hilfreich. Eine Lokalisation und Klassifikation aller Zellen, wie im mittleren Bild, eröffnet die Möglichkeit jedes Objekt einzeln zu beurteilen. Um jedoch Informationen über die Morphologie zu erhalten ist die rechts dargestellte Instanz-Segmentierung notwendig, welche algorithmisch am aufwendigsten zu implementieren ist.

Blutprobe

Abbildung 1: Angefärbte Blutprobe bei einer 400fachen Vergrößerung, aufgenommen mit einem Labormikroskop (Keyence BZ 9000). Genutzt wurden Chemikalien von Hemacolor®, welche rote Blutzellen violett anfärben und weiße Blutzellen dunkel-violett.

An der Technischen Hochschule Wildau (TH Wildau) wurde in der Abteilung „Molekulare Biotechnologie und Funktionelle Genomik“ das Dissertationsprojekt Planktovision zur Identifikation verschiedener Phytoplankton-Spezies für die Beurteilung von Gewässerproben mithilfe automatischer Mikroskopie und Bilderkennung erfolgreich durchgeführt (Schulze et al., 2013). Hierbei wurde unmittelbar deutlich, dass ein mobiles und kostengünstiges Mikroskop, welches eine automatisierte Analyse vor Ort ermöglicht, deutliche Vorteile bieten würde. Um dieses Ziel zu erreichen, hat die Firma Oculyze, welche als Spin-off der TH Wildau erfolgreich ist, ein mobiles Smartphone-Mikroskop entwickelt (siehe Abbildung 2). Die Optik des Mikroskops ermöglicht eine 400fache Vergrößerung für Hellfeld-Untersuchungen. Die aufgenommenen Bilder werden direkt und automatisiert ausgewertet, sodass keine Fachkenntnisse erforderlich sind.
In der Humandiagnostik besitzt insbesondere die Untersuchung des Blutes eine hohe Aussagekraft. Ein Hämatologe kann weiße und rote Blutzellen quantifizieren, Zellgruppen differenzieren bzw. morphologische Veränderungen detektieren, um daraus Rückschlüsse auf den allgemeinen Gesundheitszustand und das Immunsystem eines Patienten zu ziehen, Mangelzustände und Krankheiten wie Anämie und Leukämie beurteilen und Blutparasiten detektieren. Diese Indikatoren mithilfe mobiler Mikroskopie automatisiert zu detektieren und zu beurteilen, ist das langfristige Ziel von MoMiSmart (Mobile Mikroskopie auf dem Smartphone) – einem Teilprojekt von digilog in dem die TH Wildau eng mit der Oculyze GmbH zusammenarbeitet. Die Bestimmung der Konzentration und Größe roter Blutzellen, sowie ein Modell zur Berechnung des Hämatokritgehalts (Udroiu, 2014) wurden bereits mithilfe verschiedener Bildanalyse-Algorithmen etabliert. Die Ergebnisse können direkt in einer Smartphone-Applikation dargestellt werden. Um das Handling im POCT Bereich zu vereinfachen, wurde ein beweglicher Probentisch entworfen, um möglichst viele Zellen einer Blutprobe beurteilen zu können und die Vorbereitung der Blutproben mittels vorgefärbter Objektträger erprobt.
Um eine möglichst hohe diagnostische Genauigkeit zu erreichen, soll die komplette Bildanalyse zukünftig auf DL Algorithmik basieren. Nur die genannte Instanz-Segmentierung erlaubt eine zuverlässige Analyse von Zellmorphologie und -typ. Diese anspruchsvolle Aufgabe wird in einer Cloud-Umgebung auf einen externen Server durchgeführt, um eine schnellstmögliche Auswertung zu ermöglichen. Aufgrund der zentralen Verfügbarkeit der Daten ist eine Übermittlung an einem Spezialisten ebenfalls unproblematisch, um das Ergebnis zu verifizieren und/oder eine Therapie zu offerieren. Weiterhin ist geplant, die Hardware so weiterzuentwickeln, dass diese unabhängig vom Typ des mobilen Endgeräts genutzt werden kann, den Probentisch nicht nur beweglich zu gestalten, sondern auch zu motorisieren und die Optik für eine noch bessere Auflösung und Vergrößerung zu optimieren. Die Funktionsweise dieses POCT-Systems ist in Abbildung 3 dargestellt.

mobile Mikroskop

Abbildung 3: Das geplante, mobile Mikroskop ist kompatibel zu unterschiedlichen mobilen Endgeräten (Smartphone, Tablet) via USB-Verbindung. Die mikroskopischen Aufnahmen werden verschlüsselt an den Cloud-Server übermittelt und mithilfe leistungsstarker DL Algorithmen ausgewertet. Die Ergebnisse werden direkt zum mobilen Endgerät oder an einen Arzt/Krankenhaus übermittelt.

Literaturverzeichnis

Kassenärztliche Bundesvereinigung. Ärztemangel. www.kbv.de (24.10.18)
Kassenärztliche Bundesvereinigung. Mehr Pflegebedürftige in Regionen mit hohem Durchschnittsalter der Bevölkerung.gesundheitsdaten.kbv.de(24.10.18)
Pfeil J, Dangelat LN, Frohme M, Schulze K. Smartphone based mobile microscopy for diagnostics. The Journal of Cellular Biotechnology (in press)
Breslauer D, Maamari R, Switz N, Lam W, Fletcher D. Mobile phone based clinical microscopy for
global health applications. PloS one. 2009 Jul 22; 4(7):e6320.
Felsberg M. Five years after the Deep Learning revolution of computer vision: State of the art methods for online image and video analysis. Linköping University Electronic Press; 2017.
Schulze K, Tillich UM, Dandekar T, Frohme M (2013) PlanktoVision- an automated analysis system for the identification of phytoplankton. BMC Bioinformatics 2013 14:115. dx.doi.org
Udroiu I. Estimation of erythrocyte surface area in mammals. arXiv preprint arXiv:1403.7660. 2014 Mar 29.

de_DEGerman
en_GBEnglish de_DEGerman