Digitale Pathologie: In 20 Minuten Tumor klassifizieren und Alterationen identifizieren

/tilialucida, stock.adobe.com

Auf Basis von Gewebeproben des Registers AIO ColoPredict Plus 2.0 (CPP) konnte gezeigt werden, dass Algorithmen der künstlichen Intelligenz in der Infrarotbildgebung helfen, rasch Tumorgewebe zu identifizieren. Zukünftig sollen auch Alterationen wie beispielsweise der Mikrosatellitenstatus beim frühen Kolonkarzinom in kurzer Zeit bestimmbar sein.

Das Register ColoPredict Plus 2.0 erfasst retro- und prospektiv die Rolle von Mikrosatelliten-Instabilität (MSI) und KRAS-Mutationen für die Prognose bei einem Kolonkarzinom im Stadium I, II + III bis 5 Jahre nach Diagnosestellung. Gesammelt werden sowohl klinische Daten als auch Blut- und Gewebeproben.

Anlässlich des virtuellen ESMO-Kongresses 2021 stellte Frederik Großerüschkamp vom Zentrum für Proteindiagnostik PRODI der Ruhr-Universität Bochum die Entwicklung und interne Validierung der Gewebeuntersuchung mit einer Label-freien Infrarot-Bildgebung mit einem Quantum-Kaskaden-Laser (OCL) vor, die auf Material des CPP basiert.

Die Methode erlaubt es, dünne Gewebeschnitte ohne Färbung oder andere Markierung innerhalb von 20 Minuten auf Tumorgewebe hin zu untersuchen, zu klassifizieren und Lipide, Proteine, Metabolite und DNA/RNA zu analysieren. Kürzlich wurde in einem Beitrag in der Zeitschrift American Journal of Pathology (2021; DOI: 10.1016/j.ajpath.2021.04.013) die hohe Zuverlässigkeit dieser digitalen Patho­logie bei der Klassifizierung von Lungenkar­zinomen gezeigt.

Die aktuelle Studie (Annals of Oncology, 2021; DOI: 10.1016/j.annonc.2021.08.907) prüfte die Kombi­nation von Quantenkaskadenlaser-basierter Infrarot-Mikroskopie und künstlicher Intelligenz (KI) zur Klassifizierung von kolorektalen Gewebeproben von 491 Personen. 100 Gewebeproben waren tumorfrei, 391 mit Tumoranteilen. Andere Charakteristika wie BRAF-Muta­tionen waren in Training, Test- und Validierungskohorten gleichmäßig verteilt.

Für die Erkennung von Tumorgewebe wurde in der Trainingskohorte Gewebe von 294 Patienten unter­sucht, in der Testkohorte von 100 Patienten und in der Validierungskohorte von 97 Patienten. Mit der labelfreien digitalen, KI-unterstützten Pathologie wurde Tumorgewebe in der Validierungskohorte mit hoher Sicherheit erkannt: Die Area under the Curve of receiver operating characteristic (AUC-ROC) betrug 0,99, die Sensitivität lag in der Validierungskohorte bei 100 %, die Spezifität bei 93 % .

Der Mikrosatellitenstatus wurde bei Material von 391 Patienten untersucht. 102 Patienten wiesen eine hohe Mikrosatelliteninstabilität auf (MSI-H), 289 nicht (MSS). Gewebe von 245 Patienten fungierte als Trainingskohorte, Gewebe von 73 Patienten als Testkohorte und Gewebe von 73 Patienten als Validie­rungs­kohorte.

Für die Identifikation von MSI-H-Tumoren lag die AUC-ROC in der Validierungskohorte bei 0,82, die Sensitivität bei 83 %, die Spezifität aber nur bei 56 %. Großerüschkamp erläuterte, die Trainingskohorte sei hier noch zu klein und das Training noch nicht abgeschlossen. Er geht davon aus, dass mit umfang­reicherem Training die Ergebnisse deutlich verbessert werden können. Dann soll das System auch extern validiert werden. Außerdem wollen die Wissenschaftler auch andere KI-Modelle für Prädiktoren von Prognose und Ansprechen beim Kolonkarzinom entwickeln.

Vor allem aber soll die digitale Pathologie alltagstauglich sein. Die Klassifikation und genetische Analyse sei in nur 20 Minute möglich, betonte Großerüschkamp. Benötigt werde ein Gewebeschnitt von 3 bis 7 µm Dicke. Verarbeitet werden könne sowohl Formalin-fixiertes, paraffineingebettetes als auch frisch eingefrorenes Gewebe (Fresh Frozen Tissue). © fk/aerzteblatt.de