Quelle: aerzteblatt.de – Die zunehmende Digitalisierung ermöglicht die Anwendung von künstlicher Intelligenz (KI) und maschinellem Lernen in der Pathologie. In der Arbeit werden aktuelle Konzepte erklärt, anhand exemplarischer Arbeiten belegt und Anwendungsmöglichkeiten sowie -limitationen diskutiert.
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.
Lesen Sie hier mehr zum Thema.
