Forschungsprojekt "Kill Asthma"

Asthma ist mit einer weltweiten Prävalenz von rund drei Prozent eine der häufigsten chronischen Erkrankungen. Unter Kindern gibt es keine nichtübertragbare Krankheit, die häufiger auftritt. Betroffene leiden anfallsartig unter einer Verengung der Bronchien, die zu starker Atemnot und – bei mangelhafter oder fehlender Behandlung – zum Tod führen kann.

Deshalb ist es wichtig, Asthma frühzeitig zu erkennen um Patienten – gerade Kindern – im Fall eines Anfalls die Möglichkeit einer schnellen Intervention zu geben und die Beschwerden einzudämmen. Die Diagnose erfolgt typischerweise über die Beurteilung der Ausprägung verschiedener Symptome sowie des Lungenvolumens; ein spezifischer Test existiert noch nicht.

Hier setzt das KillAsthma-Projekt an, das vom Land Schleswig-Holstein gefördert wird. In Zusammenarbeit mit zwei Hightech-Unternehmen aus Schleswig-Holstein entwickelt die Arbeitsgruppe Zellprozessierun einen Schnelltest, der zur Asthma-Diagnose lediglich einen Tropfen Blut – und die darin befindlichen Immunzellen – benötigt. Eine US-amerikanische Gruppe fand 2014 Hinweise darauf, dass sich eine Asthma-Erkrankung auch in veränderten Bewegungsmustern bestimmter Immunzellen (neutrophile Granulozyten) niederschlägt.

Innerhalb des laufenden Projektes wurde bereits ein holografisches Mikroskop entworfen und gebaut, das ein automatisches Verfolgen (Tracking) tausender Zellen in drei Dimensionen ermöglicht. Es kann durch eine linsenlose Bauweise miniaturisiert und sehr günstig produziert werden. Die so ermittelten Bewegungsmuster werden einem künstlichen neuronalen Netz übergeben (KI-gestützte Analyse). Daher auch das Acronym des Projektes: KI-gestützte Analyse von Immunzellen für die Asthma-Diagnostik.

Nach ausgiebigem Training mit als „unauffällig“ oder „pathologisch“ markierten Datensätzen, die aus dem Blut realer Patienten extrahiert werden, soll eine solche KI in der Lage sein, eine Asthma-Erkrankung in einem zuvor unbekannten Datensatz mit hoher Sicherheit zu erkennen oder auszuschließen. Im Allgemeinen können künstliche neuronale Netze durch die parallele Analyse vieler Trainingsdaten Muster lernen, die aufgrund ihrer hohen Abstraktion der menschlichen Wahrnehmung verborgen bleiben. Wir erhoffen uns somit nicht nur, eine deutlich genauere Abgrenzung zwischen gesunden und auffälligen Patientendaten zu erreichen, sondern darüber hinaus die jeweils individuelle Ausprägung des höchst vielfältigen Krankheitsbildes charakterisieren zu können.