Fraunhofer-Institut für Produktionstechnologie IPTForschungsprojekt »AIxCell«
Problemstellung
Die zeitaufwendige Analyse biomedizinischer Bilddaten, z. B. bei der Zellmikroskopie, wird derzeit von Fachexperten durchgeführt und ist dementsprechend personal- und kostenintensiv. Die Subjektivität der Auswertung und die Anfälligkeit für anwendungs- und gerätespezifische Fehler beeinträchtigen darüber hinaus die Vergleichbarkeit der Ergebnisse. Eine Automatisierung dieser Auswertetätigkeit würde es biomedizinischen Experten, wie Biologen, Medizinern und Virologen, erlauben, ihre Zeit effektiver für kreative oder kommunikative Tätigkeiten zu nutzen.
Methoden des Deep Learning (DL), die tiefe künstliche neuronale Netze zur semantischen Wissensextraktion aus Bilddaten nutzen, erzielen seit einigen Jahren als Erweiterung der konventionellen Bildverarbeitung beeindruckende Resultate in verschiedenen Domänen und insbesondere in den Lebenswissenschaften. Die Entwicklung solcher Anwendungen erfordert allerdings Erfahrung und Expertise in den Fachgebieten Datenwissenschaften, maschinelles Lernen, Informationstechnologie und Software Entwicklung. Grundsätzlich verfügen fachfremde Spezialisten nur selten über die nötigen Fähigkeiten, um selbst funktionsfähige DL-Anwendungen für ihre konkreten Problemstellungen zu entwickeln. Darüber hinaus ist das in Auftrag geben von spezifischen Einzellösungen wirtschaftlich für die Institutionen oft nicht vertretbar.
Lösungsansatz
Ziel von AIxCell war es daher, die Experten mithilfe eines AutoML Software Tools zu befähigen, selbst vollständige DL-Lösungen für konkrete Problemstellungen trainieren und benutzen zu können. Den innovativen Charakter bildete dabei ein domänenspezifisches Meta-Learning System, das für die zur Verfügung stehenden Ressourcen und den spezifischen Anwendungsfall, den der Biologe oder Mediziner lösen will, eine Auswahl bestmöglicher DL-Algorithmen inklusive Datenvorverarbeitung, Modellauswahl sowie -konfiguration und Nachbearbeitung vorschlägt. Das ausgewählte Modell wird im Anschluss trainiert und dem Experten zur Benutzung zur Verfügung gestellt. Den Kern des Meta-Learning Systems bildet auf der Metaebene eine Entscheidungslogik, genannt AutoKonfig, die für die eingegebenen Daten, den Anwendungsfall und die Ressourcenanforderungen eine Auswahl an performantesten und geeignetsten Algorithmus-Konfigurationen ausgibt. Im Laufe des Projekts wurden zur Lösung von konkreten Problemstellungen der Konsortialpartner DL-Algorithmen entwickelt und zusammen mit den Datensätzen, den Anforderungen und den Evaluationsergebnissen in einer Bibliothek abgelegt. Diese Bibliothek bildete wiederum den Metadatensatz, auf denen die Entscheidungslogik überwacht trainiert wurde. Dabei lernt die Entscheidungslogik, explizit für eine gegebene Aufgabe eine bestmögliche Vorauswahl an Algorithmus-Konfigurationen auszugeben. Das Meta-Learning System und die DL-Bibliothek wurden abschließend in eine Anwendung eingebettet, die dem Experten ein benutzerfreundliches Frontend zur Eingabe und Annotation des Datensatzes, zur Präzisierung der zu lösenden Aufgabe, zur Darstellung der Ergebnisse und zur schließlichen Benutzung des DL-Modells zur Verfügung stellt.
Projektkoordinator
- Fraunhofer Institut für Produktionstechnologie IPT
Projektpartner
- ALS Automated Lab Solutions GmbH
- Bayer AG
- Cellmatiq GmbH
- Labforward GmbH
- MABRI.VISION GmbH
- MINDPEAK GmbH
- Olympus SIS GmbH
- ORACLE Deutschland B.V. & Co. KG
- PicoQuant GmbH
- Ruhruniversität Bochum
- Stammzellnetzwerk NRW e.V.
- Taorad GmbH
- Uniklinik Köln
- Uniklinik RWTH Aachen
- Universitätsklinikum Bonn
- Universitätsmedizin Göttingen
Förderhinweis
Das Projekt wurde über die AiF im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie.
Förderkennzeichen: 21361 N
Webseite
Weitere Informationen zum Projekt »AIxCell« sowie zu weiteren Projekten der Forschungsvereinigung Feinmechanik, Optik und Medizintechnik erhalten Sie unter www.forschung-fom.de.