Algum conteúdo deste aplicativo está indisponível no momento.
Se esta situação persistir, por favor entre em contato conoscoFale conosco & Contato
1. (WO2018059668) ANALYSIS DEVICE AND METHOD FOR THE ANALYSIS OF A BIOLOGICAL TISSUE
Nota: O texto foi obtido por processos automáticos de reconhecimento ótico de caracteres.
Para fins jurídicos, favor utilizar a versão PDF.

Beschreibung

Analyseeinrichtung und Verfahren zur Analyse eines biologischen Gewebes

In vielen Bereichen der Biologie und der Medizin gewinnt eine automatisierte Gewebeuntersuchung bzw. Gewebeanalyse zunehmend an Bedeutung. Ein häufig praktiziertes Beispiel einer solchen Gewebeanalyse ist die Feststellung, ob ein biologi-sches Gewebe tumorös oder gesund ist.

Eine solche Feststellung wird häufig durch einen Chirurgen mittels optischer Verfahren, wie der Mikroskopie getroffen. Daneben kann ein Tumor nach Entnahme und Färben einer Gewebe-probe pathologisch festgestellt werden. In der Praxis tritt jedoch häufig das Problem auf, dass ein Chirurg bei einem schwer sichtbaren Tumor kaum eine Möglichkeit hat, diesen während einer Operation zuverlässig zu erkennen.

Im Rahmen einer automatisierten Gewebeanalyse kann ein Infrarotspektrum des zu analysierenden Gewebes aufgenommen werden und das Gewebe anhand des aufgenommenen Spektrums, z.B. mittels einer datengetriebenen Analyse als gesund oder tumorös klassifiziert werden. Bekannte spektroskopische Verfahren er-reichen jedoch gegenwärtig in der Regel nicht eine für eine medizinische Diagnose geforderte, hohe Erkennungssicherheit von mehr als 95%.

Es ist Aufgabe der vorliegenden Erfindung, eine Analyseein-richtung und ein Verfahren zur Analyse eines biologischen Gewebes zu schaffen, deren Analyseergebnisse eine höhere Zuverlässigkeit aufweisen.

Gelöst wird diese Aufgabe durch eine Analyseeinrichtung mit den Merkmalen des Patentanspruchs 1, durch ein Endoskop oder ein Operationsmikroskop mit den Merkmalen des Patentanspruchs

10, durch ein Verfahren mit den Merkmalen des Patentanspruchs

11, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 12 sowie durch ein computerlesbares Speichermedium mit den Merkmalen des Patentanspruchs 13.

Die erfindungsgemäße Analyseeinrichtung zur Analyse eines bi-ologischen Gewebes weist einen Sensor zum Erfassen einer

Vielzahl von Messwerten des Gewebes sowie mehrere prädiktive Analysatoren unterschiedlichen Typs auf. Die prädiktiven Analysatoren sind jeweils eingerichtet zum typspezifischen Ableiten einer Angabe über eine vorgegebene Gewebeeigenschaft aus den Messwerten, wobei den prädiktiven Analysatoren jeweils eine individuelle Typinformation zugeordnet ist, und wobei die prädiktiven Analysatoren jeweils typspezifisch mittels einer Vielzahl von Trainingsdaten auf eine Erkennung der Gewebeeigenschaft trainiert sind. Die vorgegebene Gewebeei-genschaft kann dabei insbesondere ein Tumorbefall des Gewebes sein. Weiterhin verfügt die Analyseeinrichtung über eine Steuerung zum Ansteuern eines jeweiligen prädiktiven Analysators abhängig von der diesem zugeordneten Typinformation anhand der Messwerte und zum Zusammenführen der durch die prä-diktiven Analysatoren abgeleiteten Angaben jeweils abhängig von der jeweiligen Typinformation zu einer kombinierten Angabe über die Gewebeeigenschaft. Ferner ist ein Ausgabeterminal zum Ausgeben der kombinierten Angabe vorgesehen.

Entsprechend wird beim erfindungsgemäßen Verfahren zur Analyse eines biologischen Gewebes eine Vielzahl von Messwerten des Gewebes erfasst. Weiterhin wird durch mehrere prädiktive Analysatoren unterschiedlichen Typs jeweils eine Angabe über eine vorgegebene Gewebeeigenschaft aus den Messwerten typspe-zifisch abgeleitet, wobei den prädiktiven Analysatoren jeweils eine individuelle Typinformation zugeordnet ist, und wobei die prädiktiven Analysatoren jeweils typspezifisch mittels einer Vielzahl von Trainingsdaten auf eine Erkennung der Gewebeeigenschaft trainiert sind. Durch eine Steuerung wird ein jeweiliger prädiktiver Analysator abhängig von der diesem zugeordneten Typinformation anhand der Messwerte angesteuert, und die durch die prädiktiven Analysatoren abgeleiteten Angaben werden jeweils abhängig von der jeweiligen Typinformation zu einer kombinierten Angabe über die Gewebeeigenschaft zusammengeführt. Die kombinierte Angabe wird dann ausgegeben.

Zur Durchführung des erfindungsgemäßen Verfahrens sind darü-ber hinaus ein Computerprogrammprodukt sowie ein computerlesbares Speichermedium vorgesehen.

Die prädiktiven Analysatoren dienen jeweils zum Durchführen einer sogenannten prädiktiven Analyse. Prädiktive Analysever-fahren umfassen insbesondere eine Vielzahl von datengetriebenen Verfahren des maschinellen Lernens und des Data-Mining. Der Begriff prädiktiv ist in diesem fachspezifischen Zusammenhang nicht auf eine Vorhersage zukünftiger Ereignisse beschränkt, sondern stellt allgemein darauf ab, eine nicht vor-bekannte Information aus Eingabedaten, hier den erfassten Messwerten abzuleiten. Ein solcher prädiktiver Analysator wird häufig auch als Klassifikator bezeichnet.

Ein wesentlicher Vorteil der Erfindung resultiert aus der Be-obachtung, dass ein prädiktiver Analysator eines bestimmten Typs häufig einen spezifischen Aspekt eines Zusammenhangs zwischen Messwerten und Gewebeeigenschaften besonders gut abbilden kann, andere Aspekte aber weniger gut. Somit kann durch die Zusammenführung von Angaben mehrerer prädiktiver Analysatoren unterschiedlichen Typs eine typspezifische Unsicherheit von Analysatorergebnissen gewissermaßen

herausgemittelt werden. Auf diese Weise kann eine Zuverlässigkeit der Analyseergebnisse erheblich gesteigert werden. Darüber hinaus kann die Erfindung nichtinvasiv angewandt wer-den und erlaubt eine schnelle Gewebeanalyse.

Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.

Nach einer vorteilhaften Ausführungsform der Erfindung können die prädiktiven Analysatoren ein datengetriebenes

trainierbares Regressionsmodell, ein künstliches neuronales Netz, eine Support-Vector-Machine, einen k-nächste-Nachbarn- Klassifikator, einen PLSDA-Klassifikator und/oder einen ent-scheidungsbaum-basierten Klassifikator umfassen. Durch die vorstehenden Implementierungen können auch a-priori unbekannte Korrelationen zwischen Gewebeeigenschaften und Gewebemess-werten effizient trainiert und erkannt werden.

Weiterhin kann der Sensor ein Spektrometer umfassen, und die Vielzahl von Messwerten kann ein elektromagnetisches Spektrum des Gewebes umfassen. Insbesondere kann als Spektrometer ein Infrarotspektrometer, vorzugsweise für nahes Infrarot (NIR) und/oder mittleres Infrarot (MIR) vorgesehen sein. Alternativ oder zusätzlich kann das Spektrometer auch ein Spektrum im sichtbaren Licht messen. Derartige Spektrometer sind in der Regel kostengünstig und mit handelsüblicher Optik kompatibel.

Ferner kann der Sensor einen bildgebenden Sensor umfassen, und die Vielzahl von Messwerten kann ein Bild des Gewebes umfassen. Insbesondere kann der Sensor eine Kamera oder einen Ultraschall-, Röntgen- oder Magnetresonanz-Tomografen aufwei-sen. Auf diese Weise kann z.B. ein Bild eines Tumors oder ein tumoröser Gewebebereich visuell dargestellt werden.

Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann zwischen den Sensor und einen jeweiligen prädikti-ven Analysator ein Präprozessor geschaltet sein zum Vorverarbeiten der Messwerte abhängig von der dem jeweiligen prädik-tiven Analysator zugeordneten Typinformation. Auf diese Weise können die Messwerte typspezifisch und abgestimmt auf den jeweiligen Präprozessor vorverarbeitet werden, bevor sie zu diesem übermittelt werden. Vorzugsweise können die Trainingsdaten während einer Trainingsphase in gleicher Weise wie die Messwerte durch den Präprozessor oder durch einen separaten Präprozessor vorverarbeitet werden. Durch geeignete Vorverarbeitung der Messwerte kann eine Erkennungssicherheit in vielen Fällen gesteigert werden.

Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann die Steuerung vorteilhafterweise dazu eingerichtet sein, die abgeleiteten Angaben jeweils abhängig von der jeweiligen Typinformation zu gewichten und die gewichteten Angaben zur kombinierten Angabe zu kombinieren. Insbesondere kann Analysatortypen, durch die empirisch zuverlässigere An-gaben abgeleitet werden, ein höheres Gewicht zugeordnet werden als weniger zuverlässigen Analysatortypen. Dadurch kann in vielen Fällen eine Zuverlässigkeit der kombinierten Angabe gesteigert werden.

Insbesondere kann ein weiterer prädiktiver Analysator vorgesehen sein zum Ermitteln von typspezifischen Gewichten für die abgeleiteten Angaben anhand der Vielzahl von Trainingsdaten derart, dass eine Zuverlässigkeit von Angaben über die Gewebeeigenschaft optimiert wird.

Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann die Steuerung dazu eingerichtet sein, zu ermitteln, wie häufig eine jeweilige Angabe abgeleitet wird, und

die kombinierte Angabe abhängig von den ermittelten Häufig-keiten zu bestimmen. Auf diese Weise können Mehrheitsentscheidungen oder gewichtete Mehrheitsentscheidungen für die Kombination der Angaben implementiert werden.

Weiterhin kann ein Endoskop oder ein Operationsmikroskop mit einer erfindungsgemäßen Analyseeinrichtung vorgesehen sein. Ein solches Endoskop oder Operationsmikroskop kann in vorteilhafter Weise für eine zielgerichtete Erfassung der Messwerte, wie z.B. eines Spektrums des zu analysierenden Gewebes, durch die Analyseeinrichtung genutzt werden.

Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert.

Die Figur zeigt in schematischer Darstellung eine erfin- dungsgemäße Analyseeinrichtung.

In der Figur ist eine Analyseeinrichtung AE zur Analyse eines biologischen Gewebes G und insbesondere zum Ermitteln einer vorgegebenen Gewebeeigenschaft des Gewebes G schematisch dargestellt. Das Gewebe G kann z.B. Knochengewebe, Muskelgewebe, Bindegewebe, ein Organ oder ein Organteil sein. Als zu ermittelnde Gewebeeigenschaft kann z.B. ein phänotypisches Gewebe-merkmal, ein Gewebebefund, eine Gewebestruktur, ein Gewebetyp, eine Gewebebeschaffenheit oder ein anderes anatomisches Merkmal und/oder dessen krankhafte oder verletzungsbedingte Veränderung vorgegeben sein. Insbesondere kann die zu erkennende Gewebeeigenschaft ein Tumorbefall des Gewebes G sein.

Die Analyseeinrichtung AE bzw. ein erfindungsgemäßes Verfahren zum Betreiben der Analyseeinrichtung AE kann beispielsweise mittels eines oder mehrerer Prozessoren, anwendungsspezifischer integrierter Schaltungen (ASIC) , digitaler Signal-Prozessoren (DSP) und/oder sogenannter „Field Programmable

Gate Arrays" (FPGA) implementiert bzw. ausgeführt werden. Im vorliegenden Ausführungsbeispiel umfasst die Analyseeinrichtung AE einen oder mehrere Prozessoren PROC zum Ausführen aller Verfahrensschritte der Analyseeinrichtung AE sowie einen mit dem Prozessor PROC gekoppelten Speicher MEM zum Speichern von durch die Analyseeinrichtung AE zu verarbeitenden Daten.

Die Analyseeinrichtung AE verfügt über ein Spektrometer SPM als Sensor, der als Messwerte ein elektromagnetisches Spekt-rum SP des Gewebes G erfasst. Das Spektrum SP kann ein Reflexionsspektrum, ein Transmissionsspektrum, ein Absorptionsspektrum und/oder ein auf abgeschwächter Totalreflektion (ATR) basierendes Spektrum sein. Das Spektrometer SPM ist vorzugsweise als Infrarotspektrometer und insbesondere als ein im nahen Infrarotbereich arbeitendes NIR-Spektrometer ausgebildet. Im vorliegenden Ausführungsbeispiel ist das vom Spektrometer SPM gemessene Spektrum SP ein NIR-Spektrum des Gewebes G. Das Spektrum SP kann hierbei z.B. durch einen hochdimensionalen Datenvektor dargestellt werden, der für je-den Wellenlängen- bzw. Frequenzkanal des Spektrometers SPM einen Intensitätswert enthält.

Alternativ oder zusätzlich kann als Sensor ein bildgebender Sensor, der als Messwerte ein Bild des Gewebes G erfasst, oder ein anderer optischer oder akustischer Sensor vorgesehen sein. Weiterhin können durch einen entsprechenden Sensor auch Zeitreihen, physikalische oder chemische Einzelwerte oder Kombinationen hiervon als Messwerte des Gewebes G erfasst werden .

Das vom Spektrometer SPM gemessene Spektrum SP wird vom

Spektrometer SPM zu einem Präprozessor PP der Analyseeinrichtung AE übermittelt. Der Präprozessor PP dient zum Vorverarbeiten des Spektrums SP und ist mit dem Spektrometer SPM sowie mit mehreren prädiktiven Analysatoren PAl, PA2 und PA3 unterschiedlichen Typs gekoppelt.

Die prädiktiven Analysatoren PAl, PA2 und PA3 dienen jeweils zum Durchführen einer prädiktiven Analyse, um jeweils eine Angabe AI, A2 bzw. A3 über die vorgegebene Gewebeeigenschaft analysatortypspezifisch aus dem vorzugsweise vorverarbeiteten Spektrum SP abzuleiten. Im vorliegenden Ausführungsbeispiel sind drei prädiktive Analysatoren PAl, PA2 und PA3 vorgesehen. Grundsätzlich können aber beliebig viele prädiktive Analysatoren unterschiedlichen Typs zum Ableiten entsprechend vieler analysatorspezifischer Angaben über die Gewebeeigenschaft vorgesehen sein.

Die Angaben AI, A2 und A3 charakterisieren jeweils die Gewebeeigenschaft und können z.B. einen Gewebetyp, einen Gewebezustand, einen Tumorbefall, einen Gehalt eines spezifischen Stoffes oder andere chemische Eigenschaften oder auch physikalische Eigenschaften wie Druck, Temperatur etc. angeben. Die Angaben AI, A2 und A3 können jeweils einen diskreten und/oder kontinuierlichen Wert umfassen. Insbesondere können die Angaben AI, A2 und A3 jeweils eine einfache Ja/Nein-Klassifikation sein, z.B. ob die Gewebeeigenschaft oder ein medizinischer Befund vorliegt oder nicht. Speziell kann dabei eine Unterscheidung zwischen tumorösem oder gesundem Gewebe angegeben werden.

Die prädiktiven Analysatoren PAl, PA2 und PA3 führen jeweils ein prädiktives Analyseverfahren zum Ableiten der Angabe AI, A2 bzw. A3 aus dem vorzugsweise vorverarbeiteten Spektrum SP aus. Derartige prädiktive Analyseverfahren umfassen insbesondere eine Vielzahl von statistischen und datengetriebenen Verfahren der prädiktiven Modellierung, des maschinellen Lernens und des Data-Mining, die vorgegebene Eingabedaten auswerten, um darin Muster oder Strukturen zu erkennen und/oder a-priori unbekannte Information oder Prognosen über zukünftige Ereignisse abzuleiten. Insbesondere kann ein jeweiliger prädiktiver Analysator PAl, PA2 bzw. PA3 mittels eines datengetriebenen trainierbaren Regressionsmodells eines künstlichen neuronalen Netzes einer Support-Vector-Machine eines k-nächste-Nachbarn-Klassifikators , eines PLSDA-Klassifikators

(PLSDA: Partial Least Squares Discriminant Analysis) und/oder mittels eines entscheidungsbaumbasierten Klassifikators implementiert sein.

Für das vorliegende Ausführungsbeispiel sei angenommen, dass der prädiktive Analysator PAl ein lineares Prädiktionsmodell, z.B. einen PLSDA-Klassifikator implementiert, der prädiktive Analysator PA2 ein funktionales Mustererkennungsverfahren, z.B. einen k-nächste-Nachbarn-Klassifikator implementiert und der prädiktive Analysator PA3 ein nichtlineares Prädiktionsmodell, z.B. ein künstliches neuronales Netz implementiert. Jedem der prädiktiven Analysatoren PAl, PA2 und PA3 ist eine individuelle, den jeweiligen Analysatortyp eindeutig kennzeichnende Typinformation TU, TI2 bzw. TI3 zugeordnet. Dem prädiktiven Analysator PAl die Typinformation TU, dem prädiktiven Analysator PA2 die Typinformation TI2 und dem prädiktiven Analysator PA3 die Typinformation TI3.

Die prädiktiven Analysatoren PAl, PA2 und PA3 werden jeweils vor dem Durchführen der prädiktiven Analysen trainiert. Das Training der prädiktiven Analysatoren PAl, PA2 und PA3 erfolgt jeweils mittels einer Vielzahl von dem jeweiligen prädiktiven Analysator PAl, PA2 bzw. PA3 zugeführten Trainings- daten TD und wird jeweils typspezifisch, d.h. abhängig vom Typ des jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3 durchgeführt. Die prädiktiven Analysatoren PA1, PA2 und PA3 werden jeweils auf eine möglichst zuverlässige Erkennung der Gewebeeigenschaft mittels Trainingsmethoden des maschinellen Lernens trainiert.

Die Trainingsdaten TD umfassen im Allgemeinen eine Vielzahl von Messwert-Datensätzen und zu jedem Messwert-Datensatz eine bestätigte oder vorbekannte Angabe über die zu erkennende Gewebeeigenschaft. Im vorliegenden Ausführungsbeispiel umfassen die Trainingsdaten TD als Messwert-Datensätze eine Vielzahl von Gewebespektren zusammen mit zugeordneten vorbekannten Angaben über die Gewebeeigenschaft. Als Training sei hier - dem Sprachgebrauch auf dem Gebiet des maschinellen Lernens folgend - eine Abbildung von Eingangsdaten eines jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3 auf eine oder mehrere Zielgrößen verstanden, die nach vorgebbaren Kriterien während einer Trainingsphase optimiert wird. Hierbei wird für jeden prädiktiven Analysator PA1, PA2 bzw. PA3 eine auf die vorgegebenen Kriterien hin optimierte Trainingsstruktur TS1, TS2 bzw. TS3 im betreffenden prädiktiven Analysator PA1, PA2 bzw. PA3 ausgebildet. Die Trainingsstrukturen TS1, TS2, TS3 können jeweils, z.B. eine Vernetzungsstruktur von Neuronen eines neuronalen Netzes, Gewichte von Verbindungen zwischen den

Neuronen und/oder Parameter eines Regressionsmodells umfassen, die durch das Training so ausgebildet wurden, dass die Gewebeeigenschaft möglichst zuverlässig erkannt wird.

Vorzugsweise werden die den prädiktiven Analysatoren PA1, PA2 und PA3 zum Training und/oder zum Durchführen der prädiktiven Analyse zugeführten Spektren durch den Präprozessor PP abhängig vom Typ des jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3, d.h. typspezifisch vorverarbeitet.

Der Präprozessor PP ist zwischen das Spektrometer SPM und einen jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 geschaltet und dient zum Vorverarbeiten des Spektrums SP abhän- gig von der dem jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 zugeordneten Typinformation TU, TI2 bzw. TI3. Die Vorverarbeitung des Spektrums SP erfolgt dabei abgestimmt auf das prädiktive Analyseverfahren des jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3.

Die erfassten Messwerte, hier das Spektrum SP und/oder ggf. durch den Sensor erfasste Bilder, können insbesondere nach Wellenlängen, Frequenzen und/oder Strukturen gefiltert und/oder einer Transformation, z.B. einer

Fouriertransformation unterzogen werden. Insbesondere kann eine Ableitung des Spektrums SP nach der Wellenlänge oder nach der Frequenz, d.h. ein Differentialquotient gebildet werden und/oder das Spektrum SP geglättet und/oder normiert werden. Weiterhin können vorzugsweise bei einem ein lineares Prädiktionsverfahren implementierenden prädiktiven Analysator, hier PA1, Ausreißer und Artefakte in den Messwerten herausgefiltert werden. Bei einem ein nichtlineares Prädiktionsverfahren implementierenden prädiktiven Analysator, hier PA3, können vorzugsweise die Messwerte durch den Präprozessor PP normiert werden.

Zur typspezifischen Vorverarbeitung des Spektrums SP wird zunächst von einem jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 die zugeordnete Typinformation TU, TI2 bzw. TI3 zum Präprozessor PP übermittelt. Infolgedessen führt der Präprozessor PP abhängig von der jeweils übermittelten Typinformation TU, TI2 bzw. TI3 jeweils eine typspezifische Vorverarbeitung des Spektrums SP aus, um ein typspezifisch vorverar-beitetes Spektrum SP1, SP2 bzw. SP3 zu erhalten. Die vorverarbeiteten Spektren SP1, SP2 und SP3 werden jeweils vom Präprozessor PP zum betreffenden trainierten, d.h. über eine ausgebildete Trainingsstruktur TS1, TS2 bzw. TS3 verfügenden prädiktiven Analysator PA1, PA2 bzw. PA3 übermittelt. Alter-nativ oder zusätzlich können auch verschiedene

analysatortypspezifische Präprozessoren vorgesehen sein, die unabhängig voneinander die Vorverarbeitung parallelisiert ausführen .

In der vorab durchgeführten Trainingsphase der prädiktiven Analysatoren PAl, PA2 und PA3 werden die Trainingsdaten TD in gleicher Weise wie das Spektrum SP vorzugsweise durch den Präprozessor PP, abhängig vom Typ des jeweiligen prädiktiven Analysators PAl, PA2 bzw. PA3 typspezifisch vorverarbeitet. Eine Übermittlung der Trainingsdaten TD zum Präprozessor PP während der Trainingsphase ist in der Figur durch strichliierte Pfeile angedeutet. Dort ist auch eine Ausbildung der Trainingsstrukturen TS1, TS2 und TS3 anhand der Trainingsdaten TD durch punktierte Pfeile veranschaulicht.

Nach dem Training wird aus dem jeweils übermittelten vorverarbeiteten Spektrum SP1, SP2 bzw. SP3 durch den jeweiligen prädiktiven Analysator PAl, PA2 bzw. PA3 die jeweilige Angabe AI , A2 bzw. A3 über die Gewebeeigenschaft typspezifisch abgeleitet. Die jeweils abgeleitete Angabe AI , A2 bzw. A3 sowie die jeweils zugeordnete Typinformation TU, TI2 bzw. TI3 wird dann vom jeweiligen prädiktiven Analysator PAl, PA2 bzw. PA3 zu einer Steuerung CTL der Analyseeinrichtung AE übermittelt.

Die Steuerung CTL ist mit den prädiktiven Analysatoren PAl, PA2 und PA3 gekoppelt und dient zu deren Ansteuerung abhängig von der jeweils zugeordneten Typinformation TU, TI2 bzw. TI3 anhand des jeweils vorverarbeiteten Spektrums SP1, SP2 bzw.

SP3. Weiterhin dient die Steuerung CTL zum Zusammenführen der durch die prädiktiven Analysatoren PAl, PA2 und PA3 abgeleiteten Angaben AI , A2 und A3 jeweils abhängig von der zugeordneten Typinformation TU, TI2 bzw. TI3 zu einer kombinierten Angabe AK über die Gewebeeigenschaft. Die Steuerung CTL ist außerdem mit dem Präprozessor PP gekoppelt zum typspezifischen Steuern der Vorverarbeitung des Spektrums SP.

Die Angaben AI , A2 und A3 werden vorzugsweise durch typspezi-fische Gewichte Wl, W2 und W3 gewichtet und die gewichteten Angaben zur kombinierten Angabe AK kombiniert. Die Gewichte Wl, W2 und W3 können für jeden Analysatortyp abhängig von der Typinformation TU, TI2 bzw. TI3 ermittelt werden. Insbeson- dere können die Gewichte Wl, W2 und W3 jeweils abhängig davon ermittelt werden, wie zuverlässig die von einem jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 abgeleiteten Angaben über die Gewebeeigenschaft sind.

Sofern die Angaben AI, A2 und A3 arithmetisch verknüpfbar sind, kann die kombinierte Angabe AK als gewichtete Summe der Angaben AI, A2 und A3 ermittelt werden gemäß

AK = W1*A1 + B2*A2 + W3*A3.

Alternativ oder zusätzlich kann durch die Steuerung CTL ermittelt werden, wie häufig eine jeweilige Angabe abgeleitet wird, um die kombinierte Angabe AK abhängig von den ermittelten Häufigkeiten zu bestimmen. So kann die kombinierte Anga-be AK als diejenige Angabe bestimmt werden, die am häufigsten abgeleitet wird (gleichgewichtete Mehrheitsentscheidung) oder deren Gewichte sich zu einem höchsten Gesamtwert addieren (gewichtete Mehrheitsentscheidung) .

Alternativ oder zusätzlich kann zur Bestimmung der kombinierten Angabe AK ein mehrstufiger Entscheidungsprozess vorgesehen sein, z.B. in Form eines Entscheidungsbaumes, dessen Knoten jeweils eine spezifische Angabe zugeordnet ist.

Weiterhin kann eine hierarchische Ermittlung der kombinierten Angabe AK vorgesehen sein, wobei zunächst eine Zuverlässigkeit einer jeweiligen Angabe ermittelt wird, und die Angaben AI, A2 und A3 in einer Reihenfolge abnehmender Zuverlässigkeit zur kombinierten Angabe AK kombiniert werden.

Vorteilhafterweise können die Gewichte Wl, W2 und W3 durch einen weiteren prädiktiven Analysator NN in optimierter Weise ermittelt werden. Der weitere prädiktive Analysator NN ist im vorliegenden Ausführungsbeispiel mit der Steuerung CTL gekop-pelt und Teil der Analyseeinrichtung AE . Alternativ kann der weitere prädiktive Analysator NN zumindest teilweise extern zur Analyseeinrichtung AE implementiert oder angeordnet sein.

Im vorliegenden Ausführungsbeispiel ist der weitere prädikti-ve Analysator NN als neuronales Netz implementiert. Durch den weiteren prädiktiven Analysator NN werden die Gewichte Wl, W2 und W3 während einer Trainingsphase anhand der Trainingsdaten TD derart ermittelt, dass eine Zuverlässigkeit von durch die prädiktiven Analysatoren PA1, PA2 und PA3 abgeleiteten Angaben über die Gewebeeigenschaft optimiert wird. Eine zu diesem Zweck vorgesehene Übermittlung der Trainingsdaten TD zum weiteren prädiktiven Analysator NN sowie eine Übermittlung der ermittelten Gewichte Wl, W2 und W3 vom weiteren prädiktiven Analysator NN zur Steuerung CTL ist in der Figur durch strichlierte Pfeile angedeutet.

Die durch die Steuerung CTL ermittelte kombinierte Angabe AK wird von der Steuerung CTL zu einem mit der Steuerung CTL gekoppelten Ausgabeterminal T der Analyseeinrichtung AE übermittelt. Das Ausgabeterminal T gibt die kombinierte Angabe AK schließlich an einen Benutzer aus.

Die Analyseeinrichtung AE kann auf einfache Weise in ein Endoskop oder in ein Operationsmikroskop integriert oder anderweitig damit gekoppelt werden, insofern eine Optik eines Endoskops oder eines Operationsmikroskops zur Übertragung von optischen Spektren im Allgemeinen gut geeignet ist. Somit kann ein Endoskop oder ein Operationsmikroskop in vorteilhafter Weise für eine zielgerichtete Erfassung des Gewebespektrums durch die Analyseeinrichtung AE genutzt werden.

Die Erfindung erlaubt eine schnelle und zuverlässige Klassi-fikation oder Analyse einer Gewebeprobe, insbesondere mittels eines Endoskops oder einer Mikroskopsonde. Bei der Unterscheidung von tumorösem und gesundem Gewebe konnte bereits in einfachen Versuchen eine Irrtumswahrscheinlichkeit von nahezu 2% erzielt werden, was für eine klinische Anwendung in vielen Fällen ausreichen dürfte. Ein weiterer Vorteil ist darin zu sehen, dass die Erfindung nichtinvasiv angewendet werden kann. Zudem lassen sich Spektralmessungen im nahen Infrarot sehr kostengünstig durchführen und sind mit der Optik von -

handelsüblichen Endoskopen oder Operationsmikroskopen kompatibel .