Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
06 2022 29 www medicaldesign news Machine Learning HealtHcare It SecurIty Bild er M LL Leukämie in der Cloud bekämpfen Next Generation Sequencing NGS ist aufgrund der geringen Zahl an Experten auf diesem Gebiet noch keine Routinemethode und erfordert eine komplexe Ausstattung im Labor und Molekularbiologen Hämatologen oder Pathologen mit einem hohen Grad an Fachwissen Einige Forschungsprojekte haben sich daher zum Ziel gesetzt die Prozesse effizienter und schneller zu machen So kombiniert das Münchner Leukämielabor MLL menschliches Wissen mit maschinellem Lernen um die Zeit bis zur Diagnose zu verkürzen und individuelle Therapien rascher zu ermöglichen Das erhöht die Heilungschancen der Patienten signifikant ■ ■ Beschleunigte Genomsequenzierung Die unbegrenzte Datenspeicherung Rechenleistung und Parallelisierung der vom MLL verwendeten Cloud-Lösungen helfen dabei mehr Leukämie-Fälle als bisher parallel zu analysieren zu diagnostizieren und schneller eine passende Behandlung zu definieren Bei der Rechenleistung stellt der Einsatz von NGS vor allem zwei Anforderungen an große Labore Erstens müssen sie in der Lage sein bis zu 500 Proben pro Tag zu verarbeiten Zweitens ist eine kurze Laufzeit Turnaround Time TAT erforderlich um die Daten der unterschiedlichen Patienten schnell als Befund liefern zu können Das MLL nutzt die Cloud von Amazon Web Services AWS um diese Anforderungen besser zu erfüllen und gleichzeitig den Durchsatz für den gesamten Prozess zu beschleunigen – und damit auch der Genomsequenzierung Während es früher 15 Minuten dauerte Proben eines einzigen Patienten zu berechnen lassen sich heute in der gleichen Zeit mehr als 100 Proben parallel bearbeiten Dadurch fallen keine Wartezeiten durch begrenzte Analyse - ressourcen an – ein für die Patienten wichtiger Zeitgewinn ■ ■ Vorhersage der Subtypen Um die Leukämie-Subtypen bei Patienten nach der Genomsequenzierung korrekt zu diagnostizieren trainierten die Data Scientists einen Multiclass Classifier und nutzten für den ersten Classifier als Algorithmus LightGBM Light Gradient Boosting Machine – ein Open-Source-Framework zur verteilten Gradientenverstärkung für maschinelles Lernen ML Mithilfe von Amazon SageMaker einer Cloudbasierten ML-Plattform ließen sich die Hyperparameter des Modells automatisch abstimmen Durch die in SageMaker eingebaute Bayes‘sche Optimierung der Parameter gelang dem Team die optimale Konfiguration des Algorithmus ohne manuellen Aufwand Die Ergebnisse lieferten präzisere Prognosen für bestimmte Subtypen beispielsweise eine Genauigkeit von 97 Prozent bei der chronischen myeloischen Leukämie CML Allerdings schnitt das Verfahren bei Entitäten schlechter ab die auch schon in der Routinediagnostik eine große Ähnlichkeit mit anderen Subtypen aufwiesen Ebenso fielen die Resultate weniger gut aus wenn eine zusätzliche Laboranalyse Bild 1 Cloud-Technologie und Machine Learning bergen großes Potenzial für medizinische Analysen das zeigt etwa die Kooperation von MLL und AWS Die Behandlung von Blutkrebs insbesondere von Leukämie mit ihren 31 heterogenen Subtypen stellt Ärzte vor große Herausforderungen Um das Genom in 48 Stunden auszulesen nutzen Forschende unter anderem Next-Generation Sequencing Die neue Methode ist fachlich anspruchsvoll und braucht komplexe Ressourcen Für schnellere Heilungschancen setzt das Münchner Leukämielabor auf Machine Learning in der Cloud Von Jens Dommel Leiter Healthcare EMEA Amazon Web Services