SucheTrefferlisteKünstliche Intelligenz in der Pathologie
Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Hintergrund: Die zunehmende Digitalisierung ermöglicht die Anwendung von künstlicher Intelligenz (KI) und maschinellem Lernen in der Pathologie. Noch steht die Implementierung dieser Technologien allerdings am Anfang und randomisierte, prospektive Studien, die einen möglichen Vorteil einer KI-basierten Diagnostik zeigen, fehlen. In der folgenden Arbeit werden aktuelle Konzepte erklärt, anhand exemplarischer Arbeiten belegt und Anwendungsmöglichkeiten sowie -limitationen diskutiert.

Methode: Literaturrecherche in PubMed für den Publikationszeitraum zwischen Januar 1950 und Januar 2020 mit den Suchbegriffen „artificial intelligence“, „deep learning“ sowie „digital pathology“ und Berücksichtigung eigener Forschungsergebnisse.

Ergebnis: Neben einer Unterstützung in der Routinediagnostik liegt der Fokus der aktuellen KI-Forschung auf der Prognoseabschätzung insbesondere bei Krebserkrankungen. Erste Daten weisen darauf hin, dass Pathologen mit der Unterstützung durch einen Computer schneller und genauer zu einer Diagnose gelangen. In einer Pilotstudie zur Diagnostik von Mammakarzinomen mit 70 Fällen verbesserte sich die Sensitivität bei der Detektion von Mikrometastasen von 83,3 % (ausschließlich Pathologe) auf 91,2 % (Pathologe in Kombination mit Algorithmus). Ebenso legen Daten nahe, dass sich mithilfe von KI anhand histomorphologischer Eigenschaften der Zellen in der Mikroskopie bestimmte genetische Eigenschaften wie Mutationen in Schlüsselgenen und Desoxyribonukleinsäure(DNA)-Methylierungsprofile ableiten lassen.

Schlussfolgerung: Im Bereich der KI in der Pathologie liegen erste Proof-of-Concept-Studien vor, die durch randomisierte, prospektive Untersuchungen verifiziert beziehungsweise falsifiziert werden müssen.

LNSLNS

Das Fachgebiet der Pathologie beschäftigt sich mit der histomorphologischen Analyse menschlicher Gewebeproben und nimmt damit eine Schlüsselfunktion in der medizinischen Diagnostik ein. Zum Beispiel verlangt die leitliniengemäße Therapie einer Reihe onkologischer Erkrankungen eine vorherige histopathologische Diagnosesicherung und die Zahl der Medikamente, die nicht ohne molekularpathologische Bestimmung prädiktiver Biomarker eingesetzt werden darf, steigt stetig (1, 2). In ihrer täglichen Arbeit generieren, analysieren und integrieren Pathologen große Datenmengen aus unterschiedlichsten Quellen: umfangreiche klinische Informationen, Bilddaten aus histologischen und immunhistochemischen Färbungen oder molekularpathologische Daten aus Sequenzanalysen. Die in den letzten zwei Jahrzehnten rasant verlaufende Entwicklung sogenannter „whole slide scanner“ macht es möglich, die überwiegend analog vorliegenden mikroskopischen Bildinformationen in hinreichender Qualität und Quantität zu digitalisieren (3). Doch wo andere bildgebende Fachdisziplinen schon seit Jahren überwiegend computerbasiert arbeiten, steht die digitale Transformation in der Pathologie noch am Anfang (4). Eine der vielversprechendsten Entwicklungen hierbei könnte die Anwendung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) sein (5). Allerdings wurde bis zum heutigen Tag noch kein auf KI und ML basierendes Verfahren in einer prospektiven, randomisierten Studie evaluiert oder hat flächendeckende Anwendung in der Routinepathologie gefunden. Somit sind die im Nachfolgenden vorgestellten Arbeiten als Pilotstudien, die in einem Proof-of-Concept bestimmte KI-Verfahren für unterschiedliche Fragestellungen in der Pathologie evaluieren und zukünftige Anwendungsfelder aufzeigen, zu verstehen (Tabelle 1). Diese sind hinsichtlich der klinischen Fragestellungen zwar repräsentativ, wurden jedoch bisher nicht repliziert. Der vorliegende Artikel basiert auf einer selektiven Literaturrecherche in PubMed für den Publikationszeitraum zwischen Januar 1950 und Januar 2020 mit den Suchbegriffen „artificial intelligence“, „deep learning“ sowie „digital pathology“ und eigenen Forschungsergebnissen.

Übersicht wichtiger Studien
Tabelle 1
Übersicht wichtiger Studien

Künstliche Intelligenz und digitale Bildanalyse

KI beschreibt den Vorgang, wie einem Automaten beigebracht wird, ein Problem zu lösen, ohne dass jeder Lösungsschritt explizit vorgegeben werden muss. Die Erforschung und Entwicklung der KI ist ein Teilgebiet der Computerwissenschaften. Maschinelles Lernen wiederum befasst sich mit bestimmten Methoden, mit denen KI realisiert werden kann. Hierbei wird manchmal noch zwischen klassischem maschinellen Lernen und neueren Verfahren wie Deep Learning unterschieden. Verschiedene Entwicklungen des letzten Jahrzehnts haben dabei zu einem starken Anstieg von KI-Anwendungen geführt: verbesserte Algorithmen, verbesserte Hardware und eine stark wachsende Menge an verfügbaren Daten. Diese Entwicklungen traten zeitgleich mit einer zunehmenden Digitalisierung der Pathologie auf (Grafik 1).

Wichtige Entwicklungen in der künstlichen Intelligenz und der Pathologie (27–31).
Grafik 1
Wichtige Entwicklungen in der künstlichen Intelligenz und der Pathologie (27, 28, 29, 30, 31).

Diese wichtigen Entwicklungen betreffen insbesondere die computerbasierte, automatisierte Verarbeitung von Bilddaten, was auch als maschinelles Sehen oder Computer Vision bezeichnet wird. Hierbei werden derzeit vor allem künstliche neuronale Netzwerke eingesetzt. Grundidee dieser komplexen Algorithmen ist es, biologische Neuronenverbände mathematisch nachzubilden. Oftmals werden diese Modelle an Millionen von Abbildungen gut charakterisierter Datensätze wie dem ImageNet-Datensatz trainiert. Beim „transfer learning“ werden solche vortrainierten Netzwerke dann mit einigen Anpassungen auf andere Fragestellungen angewandt (Tabelle 2).

Erklärung wichtiger Begriffe aus dem Bereich der künstlichen Intelligenz
Tabelle 2
Erklärung wichtiger Begriffe aus dem Bereich der künstlichen Intelligenz

Verfahren der künstlichen Intelligenz werden zunehmend in einem medizinischen Kontext evaluiert und könnten vor allem in den bildgebenden medizinischen Disziplinen bald vermehrt zur Anwendung kommen. Beispielsweise gibt es in der Radiologie bereits eine Reihe von Firmen, die Produkte für bestimmte Fragestellungen der Routinediagnostik anbieten, obgleich keines der Produkte flächendeckende Anwendung findet (5). In der Pathologie geschieht dieser Prozess noch zögerlicher, da „whole slide scanner“ bis zum heutigen Tag in Deutschland nur selten für die Routinediagnostik verwendet werden. Die möglichen Gründe hierfür sind vielschichtig und reichen von hohen Investitionskosten über Sicherheitsfragen bis hin zu Vorbehalten unter den Pathologen. Einzelne kommerzielle und akademische Institutionen leisten jedoch auf diesem Gebiet Pionierarbeit. In Pathologie-Instituten in Leeds, Utrecht, Pittsburgh sowie New York findet eine teilweise oder überwiegend digitale Befundung statt und einzelne Firmen bieten bereits einzelne CE-zertifizierte Pathologieprodukte in bestimmten Marktsegmenten an (5, 6). Digitale Befundung umfasst neben dem kompletten Einscannen der Objektträger zum Beispiel auch das automatische Erfassen der Fallnummern über Barcodes, Spracherkennung beim Befunddiktat oder die automatische Übermittlung der Befunde in das Klinikinformationssystem (KIS). In einer verblindeten, randomisierten Nichtunterlegenheitsstudie konnte an 1 992 Fällen gezeigt werden, dass eine digitale Befundung am Computer einer analogen Diagnostik am Mikroskop ebenbürtig ist (3). Ho und Kollegen sagten außerdem anhand von Modellrechnungen ein Einsparungspotential von 12,4 Millionen USD für ein universitäres Zentrum über einen Zeitraum von fünf Jahren vorher. Hiervon sind 5,4 Millionen USD auf eine höhere Diagnosegenauigkeit und dadurch verringerte Behandlungskosten zurückzuführen (7). Stathonikos et al. berichteten darüber hinaus eine kürzere Bearbeitungszeit, insbesondere bei komplexen Fällen (6). Dies betrifft jedoch ausschließlich eine digital basierte Arbeitsweise – für KI-Anwendungen in der Pathologie existieren bis dato noch keine vergleichbaren Erhebungen. Dabei ist sowohl die Unterstützung der Routinediagnostik in der klassischen Pathologie mittels KI als auch die Einführung völlig neuartiger computergestützter Diagnostikmethoden denkbar (Grafik 2).

Beispiel für ein „deep learning“-Modell, das Dickdarmkrebs von gesunder Dickdarmschleimhaut unterscheiden soll
Grafik 2
Beispiel für ein „deep learning“-Modell, das Dickdarmkrebs von gesunder Dickdarmschleimhaut unterscheiden soll

Künstliche Intelligenz zur Unterstützung der Routinediagnostik in der Pathologie

Algorithmen der KI und des ML zeigen ihre Stärken vor allem in sich wiederholenden Fragestellungen mit begrenzter Komplexität. Bezogen auf die pathologische Routinediagnostik gehören hierzu unter anderem Analysen von Geweben aus großen Screening-Programmen wie der Dickdarmkrebsvorsorge oder Falleinsendungen mit einer hohen Anzahl ähnlicher Schnittpräparate, zum Beispiel Prostataproben. Die Übernahme von zeitintensiven, repetitiven Screening-Arbeiten durch KI-Algorithmen würde Pathologen ermöglichen, mehr Zeit für anspruchsvolle Tätigkeiten, wie der Interpretation prädiktiver oder prognostischer Biomarker im Kontext von individuellen klinischen Befunden, zu verwenden. Auf der händischen Extraktion von Bildeigenschaften und klassischer Morphometrie beruhende Arbeiten reichen zurück bis in die achtziger Jahre des letzten Jahrhunderts (8, 9, 10). Parallel hierzu wurden die statistischen Verfahren weiterentwickelt und fanden erste Anwendung in der Pathologie. Dadurch konnte in einem retrospektiven Setting an mehreren Benchmark-Datensätzen mithilfe von „feature extraction“ und einem Klassifikator basierend auf einem „support vector machine“(SVM)-Modell mit 98,8 %iger Genauigkeit zwischen Brustkrebs und gesundem Mammaparenchym unterschieden werden (11). Ähnliche Studien befassten sich mit dem Prostatakarzinom oder Plattenepithelkarzinomen der Mundhöhle (12, 13). Hierbei konnten Genauigkeiten von 70,8 % und 99,1 % erzielt werden. Die Klassifizierungsgenauigkeit konnte weiterhin durch „deep learning“ und künstliche neuronale Netze verbessert werden. Ebenfalls in einer retrospektiven Arbeit fokussierten sich Ehteshami Bejnordi und Kollegen auf die Detektion von Lymphknotenmetastasen bei Patientinnen mit Mammakarzinom. Dabei verglichen sie verschiedene Modelle von Teilnehmern eines jährlichen Programmierwettbewerbs zur biomedizinischen Bildgebung. Der beste Algorithmus, ein tiefes Konvolutionsnetzwerk basierend auf Google-Technologie, erzielte dabei einen „area under the curve“(AUC)-Wert in der Grenzwertoptimierungskurve (AUROC) von 0,994, was einer durchschnittlichen Falsch-Positiven-Rate von 1,25 % entsprach. Bei der Grenzwertoptimierungskurve werden üblicherweise Sensitivität gegen 1-Spezifität aufgetragen, das Integral (AUROC) dient als ein Gütekriterium der Vorhersagekraft. Zusätzlich verglichen die Autoren das beste Modell mit der Leistung von Pathologen. Hierbei zeigten Pathologie-Experten ohne zeitliche Vorgaben minimal bessere Genauigkeitswerte (AUC 0,966) als die Algorithmen (AUC 0,960). Die Werte verschlechterten sich allerdings substanziell, sobald die Befunder einem Zeitdruck ausgesetzt wurden (AUC 0,810) (14). In einer weiteren Arbeit wurde für die gleiche Fragestellung die diagnostische Genauigkeit mit und ohne Unterstützung durch ein KI-basiertes Verfahren evaluiert. Bei schwer erkennbaren Mikrometastasen verbesserte sich die Sensitivität von 83,3 % (ausschließlich Mensch) auf 91,2 % (Mensch in Kombination mit Maschine) (p = 0,023). Darüber hinaus berichteten die Autoren eine höhere Gesamtgenauigkeit für das Team aus Mensch und Maschine, verglichen mit der Befundung ausschließlich durch den Mensch oder die Maschine (15).

Eine wichtige Hürde zur Implementierung solcher Modelle in der klinischen Routinediagnostik ist die Tatsache, dass nur die wenigsten Pathologie-Institute beziehungsweise -Praxen eine vollständige digitale Arbeitsweise etabliert haben. Hier könnten Hybridverfahren, auch unter Zuhilfenahme von augmentierter/virtueller Realität (AR/VR), wichtige Zwischenschritte sein. Mit einem sogenannten „augmented reality“-Mikroskop, bei dem das mikroskopische Bild mittels Kamera aufgenommen wird und einem vortrainierten neuronalen Netzwerk präsentiert wird, konnten tumorsuspekte Areale mittels Lichtzeiger im Blickfeld des Pathologen markiert werden (16). Ähnliche Ansätze werden auch in Deutschland, zum Beispiel im Rahmen der Entwicklung klinischer Unterstützungssysteme, sogenannter „clinical decision support systems“ (CDSS), verfolgt.

Die bisher beschriebenen Ansätze beruhen überwiegend auf „supervised learning“-Verfahren. Dieses impliziert, dass jede dem Netzwerk während des Trainings präsentierte Abbildung vorher von einem menschlichen Experten annotiert werden muss. Da für ein effizientes Training oft tausende Bildbeispiele nötig sind, ergibt sich daraus ein beträchtlicher Arbeits- und Zeitaufwand. Gleichzeitig handelt es sich bei Pathologie-Expertise um rares Expertenwissen, das sich nicht ohne Weiteres aus anderen Quellen wie Crowdsourcing gewinnen lässt. Abhilfe könnten hier Verfahren des „semi-supervised“ oder des „unsupervised learning“ schaffen. Beim sogenannten „multiple instance learning“ werden zunächst alle Bildabschnitte klassifiziert und dann nur diejenigen zum Training verwendet, die den niedrigsten Klassifikationsfehler aufweisen. Eine Annotation von bestimmten Bildarealen entfällt, dem gesamten Objektträger wird lediglich ein bestimmtes Label, zum Beispiel Tumor ja/nein, zugeordnet. Mithilfe dieses Verfahrens und insgesamt 44 732 Schnittpräparaten von 15 187 Patienten konnten Campanella et al. in einem retrospektiven Setting AUROC-Werte von bis zu 0,991 bei der Diagnostik von Prostatakarzinomen, Basalzellkarzinomen der Haut sowie Lymphknotenmetastasen erzielen. Interessant sind die vorgestellten Implikationen für die klinische Routinediagnostik: Wenn ein solches System für 65–75 % des histopathologischen Eingangsgutes verwendet werden würde, läge die Sensitivität noch immer bei näherungsweise 100 % (17).

Neue Diagnosemöglichkeiten durch
künstliche Intelligenz

Bildanalyse auf Basis künstlicher Intelligenz
zur Prognoseabschätzung

Wichtige Fragestellungen in der Pathologie sind das Abschätzen der Prognose für die Patienten und die Vorhersage eines möglichen Therapieansprechens. Um prognostische und prädiktive Biomarker zu bestimmen, wird oft auf immunhistochemische oder molekularbiologische Zusatzuntersuchungen wie „next generation sequencing“ zurückgegriffen. Auch hier könnte die Anwendung von künstlicher Intelligenz in Kombination mit der digitalen Pathologie zu einem Paradigmenwechsel führen. KI-Algorithmen könnten subvisuelle Strukturmerkmale im Gewebe erfassen, die mit dem menschlichen Auge nicht quantifizierbar sind, und damit eine neue Klasse morphologiebasierter Biomarker mit prognostischer oder prädiktiver Aussagekraft etablieren. So gelang zum Beispiel in einer retrospektiven Studie mittels „feature extraction“ und maschinellem Lernen eine Prognoseabschätzung an Hämatoxylin-Eosin(HE)-Schnitten von Brustkrebspatienten (18). Die Extraktion der Bildeigenschaften wurde automatisiert durchgeführt und tausende Eigenschaften auf Zell- sowie Gewebeebene konnten ermittelt werden. Die Vorhersage des Modells zeigte im Log-Rank-Test eine hochsignifikante Assoziation zum Überleben der Patienten (p ≤ 0,001) – unabhängig von anderen klinischen oder pathologischen Risikofaktoren. Patienten, die das Modell als Hochrisikopatienten einstufte, zeigten eine 5-Jahre-Überlebensrate von 68,7 %. Hingegen waren bei den Niedrigrisikopatienten noch 84,5 % nach fünf Jahren am Leben. Darüber hinaus konnten mithilfe statistischer Verfahren die histopathologischen Kriterien, die am meisten zu der jeweiligen Klassifikation beitrugen, identifiziert werden. Ein ähnliches, auf Deep Learning-basierendes Verfahren wurde unter anderem für das kolorektale Karzinom beschrieben (19). Hierbei wurde zunächst für die Bildverarbeitung ein tiefes Konvolutionsnetzwerk verwendet, dessen Ausgabe in ein zweites Netzwerk, ein sogenanntes rekurrentes neuronales Netzwerk mit „long short-term memory“-Funktion Eingang fand. Ebenfalls in retrospektiven Proof-of-Concept-Arbeiten konnte darüber hinaus eine Mikrosatelliteninstabilität in gastrointestinalen Tumoren oder der molekulare Subtyp bei Blasentumoren erkannt werden (20, 21).

Auf künstlicher Intelligenz basierende Analyse
genetischer Daten

Das Konzept einer genotypisch-phänotypischen Koppelung besagt, dass Tumorgewebe, bei dem beispielsweise eine Mutation in einem Schlüsselgen vorliegt, mit hoher Wahrscheinlichkeit auch eine veränderte Morphologie aufweisen könnte. Neben der Möglichkeit molekulare oder klinische Parameter aus histomorphologischen Daten vorherzusagen, werden KI-Verfahren in Zukunft auch immer wichtiger für die Analyse molekularpathologischer Daten. Ein Beispiel ist die Klassifikation von Desoxyribonukleinsäure(DNA)-Methylierungsprofilen der Plattenepithelkarzinome in der Lunge mittels Deep Learning in Hinblick darauf, ob eine Metastase eines Kopf-Hals-Karzinoms oder eines Lungenprimarius vorliegt (22). Auch spielen KI-Verfahren eine zunehmend wichtigere Rolle für Multi-Omics-basierte molekulare Tumorklassifikationen (23), die zwar bisher noch keinen unmittelbaren klinischen Nutzen haben, aber bereits die zukünftige komplementäre Bedeutung komplexer molekularer und morphologischer Profile erkennen lassen (24).

Integration histomorphologischer, molekularpathologischer und onkologischer Daten

Die oben beschriebenen KI-Ansätze erlauben bestimmte molekulare oder klinische Eigenschaften aus histomorphologischen Bildern vorherzusagen oder pathologische Klassifikationen aus molekularen Daten abzuleiten. Ein vielversprechender Ansatz, eine noch genauere prognostische oder prädiktive Vorhersage bei Tumorerkrankungen zu treffen, könnte darin bestehen, verschiedene Datenmodalitäten kombiniert in ein KI-Modell einfließen zu lassen. Hierbei ist ein für die Pathologie spezifisches Konzept denkbar, das beispielsweise histologische mit immunhistochemischen und molekularen Daten integriert. Ein spannendes Beispiel hierfür lieferten Mobadersany et al., die in einer retrospektiven Arbeit bei Patienten mit Gliomen neben Bildinformationen aus konventionellen Schnittpräparaten auch genetische Informationen wie Isocitrat-Dehydrogenase(IDH)-Mutationen berücksichtigten (25). Die Kombination aus Bild- und Mutationsdaten zeigte eine bessere prognostische Vorhersagewahrscheinlichkeit im Vergleich zu der jeweiligen Verwendung von ausschließlich Bild- oder Mutationsdaten (p = 0,0106), ausgedrückt durch einen Anstieg des C-Index um 5 % von 0,754 auf 0,801. In der personalisierten Medizin der Zukunft könnte eine multimodale Biomarker-Analyse mit Integration morphologischer, radiologischer, laborchemischer und klinischer Parameter mit Genom- sowie Proteomdaten eine Herausforderung sein, die aufgrund der Komplexität gegebenenfalls nur noch mittels KI-Ansätzen zu leisten ist. Dies erfordert allerdings eine enorme informatische sowie klinische Expertise und höchste Datenqualität, sodass eine solche Lösung für eine Routineanwendung noch lange nicht absehbar ist.

Herausforderungen in der Umsetzung auf künstlicher Intelligenz basierender Diagnostik

Obgleich Verfahren der künstlichen Intelligenz und des maschinellen Lernens das Potenzial haben, das Fachgebiet der Pathologie zu revolutionieren, gibt es eine Reihe beträchtlicher Herausforderungen in der translationalen Umsetzung. Eine starke, positive Korrelation existiert zwischen der Genauigkeit eines KI-Algorithmus und der Menge an eingesetzten Daten. Demnach sank in der Arbeit von Campanella et al. der Validierungsfehler ungefähr um den Faktor 10, wenn 100-mal mehr Fälle analysiert wurden (17). Allerdings liegt erst ein Bruchteil des histopathologischen Probenmaterials in digitaler und damit für einen Computer auswertbarer Form vor. Außerdem bedeutet eine Digitalisierung zunächst stets die Notwendigkeit kostspieliger Investitionen. Selbst wenn der Anteil spätestens mittelfristig, das heißt in den nächsten zehn Jahren, deutlich steigen wird, fehlt eine detaillierte Überprüfung und genaue Beschreibung dieser Daten durch Pathologie-Experten. Dies hat wichtige Implikationen für die Qualität der Daten – ein weiterer Faktor, der die Genauigkeit eines KI-Modells entscheidend beeinflusst („garbage in garbage out“-Problem). Eine Hilfestellung bei der Digitalisierung der Pathologie bietet der Leitfaden „Digitale Pathologie“ des Berufsverbandes Deutscher Pathologen e. V.: Darin wird ausdrücklich zum Einsatz digitaler Verfahren ermuntert und die Wahlfreiheit der Methoden sowie die Verantwortung des Pathologen für den gewählten Weg zur Diagnose in den Mittelpunkt gestellt (26). Die momentan größte Barriere zur Verwendung KI-basierter Verfahren ist das nahezu komplette Fehlen prospektiver, randomisierter, multizentrischer Studien, die den Nutzen für Pathologen auf der einen Seite und für Patienten auf der anderen Seite evaluieren. Solche Studien sind dringend notwendig, um die KI-Lösungen, die patientenbezogene Endpunkte tatsächlich verbessern, zu identifizieren. Hierzu sind neben den Bilddaten auch qualitativ hochwertige klinische (Verlaufs-)Daten essenziell. Dies betrifft vor allem eine potenzielle prädiktive Anwendung KI-basierter Verfahren. Werden diese Punkte adressiert, kann der Einsatz von KI sowie digitaler Pathologie zu einer Transformation des Fachgebietes führen und Pathologen dabei helfen, ihrer Tätigkeit noch schneller und präziser nachzukommen.

Danksagung

SF wird unterstützt durch eine Forschungsförderung des BMBF (16SV8167), durch das Stufe I Programm der Universitätsmedizin Mainz, durch die Mainz Research School of Translational Biomedicine (TransMed) und die Manfred-Stolte-Stiftung.

Interessenkonflikt
Prof. Klauschen ist Co-Founder/Gesellschafter bei Aignostics GmbH. Er hält ein Patent mit der Nr. US9558550B2. Für Beratertätigkeiten erhielt er Gelder von Agilent, BMS, Roche und Bayer. Für wissenschaftliche Fortbildungsveranstaltungen wurde er honoriert von BMS, Roche und Bayer.

Die übrigen Autoren erklären, dass kein Interessenkonflikt besteht.

Manuskriptdaten
eingereicht: 24. 3. 2020, revidierte Fassung angenommen: 10. 9. 2020

Anschrift für die Verfasser
Dr. med. Sebastian Försch
Universitätsmedizin Mainz
Institut für Pathologie
Langenbeckstraße 1, 55131 Mainz
sebastian.foersch@unimedizin-mainz.de

Zitierweise
Försch S, Klauschen F, Hufnagl P, Roth W: Artificial intelligence in pathology. Dtsch Arztebl Int 2021; 118: 199–204. DOI: 10.3238/arztebl.m2021.0011

►Die englische Version des Artikels ist online abrufbar unter:
www.aerzteblatt-international.de

cme plus

Dieser Beitrag wurde von der Nordrheinischen Akademie für ärztliche Fort- und Weiterbildung zertifiziert. Die Fragen zu diesem Beitrag finden Sie unter http://daebl.de/RY95. Einsendeschluss ist der 25. 3. 2022.

Die Teilnahme ist möglich unter cme.aerztebatt.de

1.
Schmiegel W, Buchberger B, Follmann M, et al.: S3-Leitlinie – Kolorektales Karzinom. Z Gastroenterol 2017; 55: 1344–498 CrossRef MEDLINE
2.
Neumann JH, Jung A, Kirchner T: Molekulare Pathologie des kolorektalen Karzinoms. Pathologe 2015; 36: 137–44 CrossRef MEDLINE
3.
Mukhopadhyay S, Feldman MD, Abels E, et al.: Whole slide imaging versus microscopy for primary diagnosis in surgical pathology: a multicenter blinded randomized noninferiority study of 1992 cases (pivotal study). Am J Surg Pathol 2018; 42: 39–52 CrossRef MEDLINE PubMed Central
4.
Griffin J, Treanor D: Digital pathology in clinical use: where are we now and what is holding us back? Histopathology 2017; 70: 134–45 CrossRef MEDLINE
5.
Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A: Artificial intelligence in digital pathology — new tools for diagnosis and precision oncology. Nat Rev Clin Oncol 2019; 16: 703–15 CrossRef MEDLINE PubMed Central
6.
Stathonikos N, Nguyen TQ, Spoto CP, Verdaasdonk MAM, van Diest PJ: Being fully digital: perspective of a Dutch academic pathology laboratory. Histopathology 2019; 75: 621–35 CrossRef MEDLINE PubMed Central
7.
Ho J, Ahlers SM, Stratman C, et al.: Can digital pathology result in cost savings? A financial projection for digital pathology implementation at a large integrated health care organization. J Pathol Inform 2014; 5: 33 CrossRef MEDLINE PubMed Central
8.
van Der Linden HC, Baak JPA, Lindeman J, Hermans J, Meyer CJ: Morphometry and breast cancer II. Characterisation of breast cancer cells with high malignant potential in patients with spread to lymph nodes: preliminary results. J Clin Pathol 1986; 39: 603–9 CrossRef MEDLINE PubMed Central
9.
Baak JPA, Van Der Ley G: Borderline or malignant ovarian tumour? A case report of decision making with morphometry. J Clin Pathol 1984; 37: 1110–3 CrossRef MEDLINE PubMed Central
10.
Caspersson TO: Quantitative tumor cytochemistry—G.H.A. Clowes Memorial Lecture. Cancer Res 1979; 39: 2341–5.
11.
Osareh A, Shadgar B: A computer aided diagnosis system for breast cancer. IJCSI 2011; 8: 233–40.
12.
Lee G, Sparks R, Ali S, et al.: Co-occurring gland angularity in localized subgraphs: predicting biochemical recurrence in intermediate-risk prostate cancer patients. PLoS One 2014; 9: e97954 CrossRef MEDLINE PubMed Central
13.
Lu C, Lewis JS Jr, Dupont WD, Plummer WD Jr, Janowczyk A, Madabhushi A: An oral cavity squamous cell carcinoma quantitative histomorphometric-based image classifier of nuclear morphology can risk stratify patients for disease-specific survival. Mod Pathol 2017; 30: 1655–65 CrossRef MEDLINE PubMed Central
14.
Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al.: Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 2017; 318: 2199–2210 CrossRef MEDLINE PubMed Central
15.
Steiner DF, Macdonald R, Liu Y, et al.: Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer. Am J Surg Pathol 2018; 42: 1636–46 CrossRef MEDLINE PubMed Central
16.
Chen PC, Gadepalli K, MacDonald R, et al.: An augmented reality microscope with real-time artificial intelligence integration for cancer diagnosis. Nat Med 2019; 25: 1453–7 CrossRef MEDLINE
17.
Campanella G, Hanna MG, Geneslaw L, et al.: Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med 2019; 25: 1301–9 CrossRef MEDLINE PubMed Central
18.
Beck AH, Sangoi AR, Leung S, et al.: Systematic analysis of breast cancer morphology uncovers stromal features associated with survival. Sci Transl Med 2011; 3: 108ra113 CrossRef MEDLINE
19.
Bychkov D, Linder N, Turkki R, et al.: Deep learning based tissue analysis predicts outcome in colorectal cancer. Sci Rep 2018; 8: 3395 CrossRef MEDLINE PubMed Central
20.
Kather JN, Pearson AT, Halama N, et al.: Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 2019; 25: 1054–6 CrossRef MEDLINE PubMed Central
21.
Woerl AC, Eckstein M, Geiger J, et al.: Deep learning predicts molecular subtype of muscle-invasive bladder cancer from conventional histopathological slides. Eur Urol 2020; 78: 256–64 CrossRef MEDLINE
22.
Jurmeister P, Bockmayr M, Seegerer P, et al.: Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases. Sci Transl Med 2019; 11: eaaw8513 CrossRef MEDLINE
23.
Hoadley KA, Yau C, Hinoue T, et al.: Cell-of-origin patterns dominate the molecular classification of 10,000 tumors from 33 types of cancer. Cell 2018; 173: 291–304 CrossRef MEDLINE PubMed Central
24.
Hoberger M, von Laffert M, Heim D, Klauschen F: Histomorphological and molecular profiling: friends not foes! Morpho-molecular analysis reveals agreement between histological and molecular profiling. Histopathology 2019; 75: 694–703 CrossRef MEDLINE
25.
Mobadersany P, Yousefi S, Amgad M, et al. Predicting cancer outcomes from histology and genomics using convolutional networks. Proc Natl Acad Sci USA 2018; 115: E2970-9 CrossRef MEDLINE PubMed Central
26.
Haroske G, Zwönitzer R, Hufnagl P, Kommission Digitale Pathologie: Leitfaden „Digitale Pathologie in der Diagnostik“: Befunderstellung an digitalen Bildern. Pathologe 2018; 39: 216–21 CrossRef MEDLINE
27.
Konrad E: Zur Geschichte der künstlichen Intelligenz in der Bundesrepublik Deutschland. In: Siefkes D, Eulenhöfer P, Stach H, Städtler K (eds): Sozialgeschichte der Informatik - Kulturelle Praktiken und Orientierungen. Wiesbaden: Deutscher Universitäts-Verlag, Springer Fachmedien Wiesbaden GmbH 1998: 287–96 CrossRef
28.
Dechter R: Learning while searching in constraint-satisfaction-problems. AAAI-86 Proceedings 1986; 178–83.
29.
LeCun Y, Boser B, Denker JS, et al.: Backpropagation applied to digit recognition. Neural computation 1989; 541–51 CrossRef
30.
Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L: ImageNet: a large-scale hierarchical image database. IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Miami, FL 2009; 248–55 CrossRef
31.
Goodfellow IJ, Pouget-Abadie J, Mirza M, et al.: Generative adversarial networks. Adv Neural Inf Process Syst 2014; 3: 2672–80.
Institut für Pathologie, Universitätsmedizin Mainz: Dr. med. Sebastian Försch, Prof. Dr. med. Wilfried Roth
Institut für Pathologie, Charité Universitätsmedizin Berlin: Prof. Dr. med. Frederick Klauschen, Prof. Dr. rer. nat. Peter Hufnagl
Wichtige Entwicklungen in der künstlichen Intelligenz und der Pathologie (27–31).
Grafik 1
Wichtige Entwicklungen in der künstlichen Intelligenz und der Pathologie (27–31).
Beispiel für ein „deep learning“-Modell, das Dickdarmkrebs von gesunder Dickdarmschleimhaut unterscheiden soll
Grafik 2
Beispiel für ein „deep learning“-Modell, das Dickdarmkrebs von gesunder Dickdarmschleimhaut unterscheiden soll
Übersicht wichtiger Studien
Tabelle 1
Übersicht wichtiger Studien
Erklärung wichtiger Begriffe aus dem Bereich der künstlichen Intelligenz
Tabelle 2
Erklärung wichtiger Begriffe aus dem Bereich der künstlichen Intelligenz
1.Schmiegel W, Buchberger B, Follmann M, et al.: S3-Leitlinie – Kolorektales Karzinom. Z Gastroenterol 2017; 55: 1344–498 CrossRef MEDLINE
2.Neumann JH, Jung A, Kirchner T: Molekulare Pathologie des kolorektalen Karzinoms. Pathologe 2015; 36: 137–44 CrossRef MEDLINE
3.Mukhopadhyay S, Feldman MD, Abels E, et al.: Whole slide imaging versus microscopy for primary diagnosis in surgical pathology: a multicenter blinded randomized noninferiority study of 1992 cases (pivotal study). Am J Surg Pathol 2018; 42: 39–52 CrossRef MEDLINE PubMed Central
4.Griffin J, Treanor D: Digital pathology in clinical use: where are we now and what is holding us back? Histopathology 2017; 70: 134–45 CrossRef MEDLINE
5.Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A: Artificial intelligence in digital pathology — new tools for diagnosis and precision oncology. Nat Rev Clin Oncol 2019; 16: 703–15 CrossRef MEDLINE PubMed Central
6.Stathonikos N, Nguyen TQ, Spoto CP, Verdaasdonk MAM, van Diest PJ: Being fully digital: perspective of a Dutch academic pathology laboratory. Histopathology 2019; 75: 621–35 CrossRef MEDLINE PubMed Central
7.Ho J, Ahlers SM, Stratman C, et al.: Can digital pathology result in cost savings? A financial projection for digital pathology implementation at a large integrated health care organization. J Pathol Inform 2014; 5: 33 CrossRef MEDLINE PubMed Central
8.van Der Linden HC, Baak JPA, Lindeman J, Hermans J, Meyer CJ: Morphometry and breast cancer II. Characterisation of breast cancer cells with high malignant potential in patients with spread to lymph nodes: preliminary results. J Clin Pathol 1986; 39: 603–9 CrossRef MEDLINE PubMed Central
9.Baak JPA, Van Der Ley G: Borderline or malignant ovarian tumour? A case report of decision making with morphometry. J Clin Pathol 1984; 37: 1110–3 CrossRef MEDLINE PubMed Central
10.Caspersson TO: Quantitative tumor cytochemistry—G.H.A. Clowes Memorial Lecture. Cancer Res 1979; 39: 2341–5.
11.Osareh A, Shadgar B: A computer aided diagnosis system for breast cancer. IJCSI 2011; 8: 233–40.
12.Lee G, Sparks R, Ali S, et al.: Co-occurring gland angularity in localized subgraphs: predicting biochemical recurrence in intermediate-risk prostate cancer patients. PLoS One 2014; 9: e97954 CrossRef MEDLINE PubMed Central
13.Lu C, Lewis JS Jr, Dupont WD, Plummer WD Jr, Janowczyk A, Madabhushi A: An oral cavity squamous cell carcinoma quantitative histomorphometric-based image classifier of nuclear morphology can risk stratify patients for disease-specific survival. Mod Pathol 2017; 30: 1655–65 CrossRef MEDLINE PubMed Central
14.Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al.: Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 2017; 318: 2199–2210 CrossRef MEDLINE PubMed Central
15.Steiner DF, Macdonald R, Liu Y, et al.: Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer. Am J Surg Pathol 2018; 42: 1636–46 CrossRef MEDLINE PubMed Central
16.Chen PC, Gadepalli K, MacDonald R, et al.: An augmented reality microscope with real-time artificial intelligence integration for cancer diagnosis. Nat Med 2019; 25: 1453–7 CrossRef MEDLINE
17.Campanella G, Hanna MG, Geneslaw L, et al.: Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med 2019; 25: 1301–9 CrossRef MEDLINE PubMed Central
18.Beck AH, Sangoi AR, Leung S, et al.: Systematic analysis of breast cancer morphology uncovers stromal features associated with survival. Sci Transl Med 2011; 3: 108ra113 CrossRef MEDLINE
19.Bychkov D, Linder N, Turkki R, et al.: Deep learning based tissue analysis predicts outcome in colorectal cancer. Sci Rep 2018; 8: 3395 CrossRef MEDLINE PubMed Central
20.Kather JN, Pearson AT, Halama N, et al.: Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 2019; 25: 1054–6 CrossRef MEDLINE PubMed Central
21.Woerl AC, Eckstein M, Geiger J, et al.: Deep learning predicts molecular subtype of muscle-invasive bladder cancer from conventional histopathological slides. Eur Urol 2020; 78: 256–64 CrossRef MEDLINE
22.Jurmeister P, Bockmayr M, Seegerer P, et al.: Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases. Sci Transl Med 2019; 11: eaaw8513 CrossRef MEDLINE
23.Hoadley KA, Yau C, Hinoue T, et al.: Cell-of-origin patterns dominate the molecular classification of 10,000 tumors from 33 types of cancer. Cell 2018; 173: 291–304 CrossRef MEDLINE PubMed Central
24.Hoberger M, von Laffert M, Heim D, Klauschen F: Histomorphological and molecular profiling: friends not foes! Morpho-molecular analysis reveals agreement between histological and molecular profiling. Histopathology 2019; 75: 694–703 CrossRef MEDLINE
25.Mobadersany P, Yousefi S, Amgad M, et al. Predicting cancer outcomes from histology and genomics using convolutional networks. Proc Natl Acad Sci USA 2018; 115: E2970-9 CrossRef MEDLINE PubMed Central
26.Haroske G, Zwönitzer R, Hufnagl P, Kommission Digitale Pathologie: Leitfaden „Digitale Pathologie in der Diagnostik“: Befunderstellung an digitalen Bildern. Pathologe 2018; 39: 216–21 CrossRef MEDLINE
27.Konrad E: Zur Geschichte der künstlichen Intelligenz in der Bundesrepublik Deutschland. In: Siefkes D, Eulenhöfer P, Stach H, Städtler K (eds): Sozialgeschichte der Informatik - Kulturelle Praktiken und Orientierungen. Wiesbaden: Deutscher Universitäts-Verlag, Springer Fachmedien Wiesbaden GmbH 1998: 287–96 CrossRef
28.Dechter R: Learning while searching in constraint-satisfaction-problems. AAAI-86 Proceedings 1986; 178–83.
29.LeCun Y, Boser B, Denker JS, et al.: Backpropagation applied to digit recognition. Neural computation 1989; 541–51 CrossRef
30.Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L: ImageNet: a large-scale hierarchical image database. IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Miami, FL 2009; 248–55 CrossRef
31.Goodfellow IJ, Pouget-Abadie J, Mirza M, et al.: Generative adversarial networks. Adv Neural Inf Process Syst 2014; 3: 2672–80.

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Zum Artikel

Fachgebiet

Stellenangebote

    Weitere...