KI-basierte Analyse der Folatrezeptor- und Glycosylphosphatidylinositol-Transamidase-Expression beim Prostatakarzinom

26nrwgu01 10.3205/26nrwgu01 urn:nbn:de:0183-26nrwgu019 Meeting Abstract KI-basierte Analyse der Folatrezeptor- und Glycosylphosphatidylinositol-Transamidase-Expression beim Prostatakarzinom Alexa Alexa Radu R

Universitätsklinikum Aachen, Klinik für Urologie und Kinderurologie, Aachen, Deutschland Universitätsklinikum Aachen, Centrum für Integrierte Onkologie Aachen Bonn Köln Düsseldorf, Aachen, Deutschland

author Gerlach Gerlach Sven S

author Kim Kim Huijo H

Unabhängiger Forscher, Hamburg, Deutschland

author Hoffmann Hoffmann Felix F

author Ermler Ermler Thomas T

author Beltagi Beltagi Karem K

author Devaux Devaux Flavien F

author Kranz Kranz Jennifer J

author Saar Saar Matthias M

author Hoffmann Hoffmann Marco M

author German Medical Science GMS Publishing House

Düsseldorf

610 20260408 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0643 01 Nordrhein-Westfälische Gesellschaft für Urologie e.V. 71. Kongress der Nordrhein-Westfälischen Gesellschaft für Urologie Paul-Mellin Sitzung I Essen 20260416 20260417 V 1.1 TextEinleitung: Der Folatrezeptor 1α (FR1α) und sein verankerndes Enzym Glycosylphosphatidylinositol-Transamidase (GPI-T) sind in den meisten Tumorzellen überexprimiert und mit einem aggressiveren Krankheitsverlauf assoziiert. Für das Prostatakarzinom (PCa) konnten wir eine vermehrte Membranlokalisation von FR1α in Zellkulturen und Gewebeschnitten bestätigen. In der vorliegenden Arbeit bewerten wir den prognostischen Wert dieser Marker mithilfe KI-gestützter Bildanalyse, um eine automatisierte Risikostratifizierung zu ermöglichen.Methode: Für die KI-Analyse wurden aus 24 Proben (8 benigne, 8 Gleason 6 und 8 Gleason 9) 709 Bilder generiert (239 benigne, 230 Gleason 6, 240 Gleason 9). Mehrere Deep-Learning-Modelle (ResNeXt101, ResNet101, Swin Transformer, ViT, DenseNet121, EfficientNetB7) wurden hinsichtlich ihrer Klassifikationsleistung verglichen. Parallel erfolgte eine manuelle Einzelzellanalyse in ImageJ, bei der die Membranfluoreszenz und radiale Intensitätsprofile mittels polygonaler ROIs quantifiziert und Grenzwerte für die Membranfluoreszenz jeder Klasse definiert wurden. Zusätzlich wurden der Swin Transformer und die manuelle Auswertung auf ein neues Datenset mit 30 benignen, 30 Gleason-6- und 120 Gleason-9-Bildern angewendet.Ergebnisse: Der Swin Transformer erzielte die höchste Trainingsgenauigkeit (93,5%) und wurde daher für die weitere Analyse ausgewählt. Die Testgenauigkeit betrug 91,7% (F1-Score = 91,7%) im FR1α-Datensatz, 87,3% (F1 = 87,1%) im GPI-T-Datensatz und 85,3% (F1 = 85,2%) im kombinierten Datensatz. Im Vergleich zwischen manueller und KI-gestützter Auswertung im neuen Datensatz lag die Erkennungsgenauigkeit für Gleason 9 bei 70,8% (85/120) in der manuellen Analyse gegenüber 65,8% (79/120) mit KI. Deutliche Fehlklassifikationen traten bei der manuellen Auswertung in benignen und Gleason-6-Proben auf: Nur 6,7% (2/30) der benignen und 10% (3/30) der Gleason-6-Fälle wurden korrekt klassifiziert. Im Gegensatz dazu zeigte der KI-Ansatz eine deutlich höhere Konsistenz und klassifizierte 83,3% (25/30) der benignen und 30% (9/30) der Gleason-6-Proben korrekt.Schlussfolgerung: Unsere Ergebnisse zeigen, dass die KI-gestützte Bildanalyse basierend auf FR1α und GPI-T eine konsistente Risikostratifizierung des Prostatakarzinoms ermöglicht. Im Vergleich zur manuellen Analyse bietet die KI – insbesondere in Niedrigrisiko-Situationen – eine deutlich höhere diagnostische Robustheit. 0 0 0 0