Arzt versus Computer: Wer erkennt Brustkrebsmetastasen am besten?

Nijmegen/Singapur – Computer sind nicht nur die besseren Schachspieler, sie könnten auch Metastasen in Lymphknoten zuverlässiger erkennen als Pathologen. Dies zeigen die Ergebnisse eines internationalen Wettbewerbs, die jetzt im US-amerikanischen Ärzteblatt (JAMA 2017; 318: 2199-2210) veröffentlicht wurden.

Deep Blue war 1996 der erste Computer, der einen amtierenden Schachweltmeister besiegte. Heute gibt es Schachprogramme in jedem Heimcomputer, gegen die die Besitzer selten eine Chance haben.

Computer werden aller Voraussicht nach auch bald die Arbeit von Pathologen erleichtern. Schon vor elf Jahren konnte in einer Studie gezeigt werden, dass Computer beim Grading von Barrett-Läsionen im Ösophagus eine wichtige Hilfe sein können (Laboratory Investigation 2006; 86, 1261-1271). 

Ein weiterer Bereich, in dem die künstliche Intelligenz willkommen wäre, ist die Analyse von Sentinel-Node-Biopsien bei Brustkrebspatienten. Studien haben gezeigt, dass das Auge des Pathologen vor allem kleinere Tumorzellnester leicht übersehen kann. In einer retrospektiven Studie musste der Lymphknotenstatus bei nicht weniger als 24 Prozent der Patientinnen heraufgestuft werden.

Babak Bejnordi von der Radboud Universität in Nijmegen und Mitarbeiter wollten wissen, ob Computer die Treffsicherheit verbessern könnten. In einem internationalen Wettbewerb (Cancer Metastases in Lymph Nodes Challenge 2016, CAMELYON16) wurden Forscherteams aus aller Welt eingeladen, eine Software zur Diagnose von Metastasen in Sentinel-Node-Biopsien (SLN) zu entwickeln. Insgesamt 23 Teams reichten 32 Algorithmen ein. Die Software trat einmal gegen eine Gruppe von 11 Pathologen an, denen jeweils nur zwei Stunden zur Analyse von 129 Präparaten gegeben wurde. Die zweite Vergleichsgruppe bestand aus einem versierten Pathologen, der sich so viel Zeit nehmen durfte, wie er wollte. 

Die meisten Algorithmen nutzen sogenannte neuronale Netzwerke   („convolutional neural network“). Sie erarbeiten sich die Methoden einer Bildanalyse selbst, wenn ihnen am Anfang eine Reihe von Bildern mit bekannter Diagnose vorgelegt werden. Die Pathologen schöpften aus ihrem in der Ausbildung erworbenen Wissen und der beruflichen Erfahrung. 

Computer und Pathologen wurden zwei Aufgaben gestellt. Die erste bestand darin, in den vorgelegten Schnittpräparaten (HE-Färbung) etwaige Krebszellen zu erkennen. Bei der zweiten Aufgabe sollten sie SLN mit und ohne Metastasen unterscheiden. 

Am Ende lieferten sieben Algorithmen bessere Ergebnisse als die Gruppe der elf Pathologen. Vor allem die Software der Harvard Medical School und des Massachusetts Institute of Technology stellten die Pathologen in den Schatten. Diese übersahen vermutlich infolge des Zeitdrucks häufig Mikrometastasen, was zu einer falschen Stadieneinteilung führte. 

Die Software ließ sich dagegen selten täuschen. Die fünf besten Algorithmen konnten sich auch mit dem einzelnen Neurologen messen, der sich für die Analyse der 129 Präparate insgesamt 30 Stunden Zeit nahm, die ihm im Routinebetrieb einer Pathologie nach Einschätzung von Bejnordi wohl kaum zur Verfügung gestanden hätten. 

Aber auch dieser Pathologe übersah ein Viertel aller Mikrometastasen, die bei einer immunhistochemischen Färbung zum Vorschein kamen. Die immunhistochemische Färbung wird heute im Zweifelsfall durchgeführt. Der Abstand zwischen Mensch und Maschine war deshalb in der Studie möglicherweise größer als in der klinischen Praxis.

Die künstliche Intelligenz, die in der Radiologie und bei anderen bildgebenden Verfahren in ersten Ansätzen bereits eingesetzt wird, dürfte jedoch über kurz oder lang auch die Arbeit der Pathologen erleichtern, meint Jeffrey Golden vom Brigham and Women's Hospital in Boston. © rme/aerzteblatt.de