nach oben

Die Pathologie

Erschienen in:

02.02.2024 | Schwerpunkt: Digitale Pathologie

Fortschritte in der computergestützten quantitativen Nephropathologie

verfasst von: Roman D. Bülow, Patrick Droste, Univ.-Prof. Dr. med. Peter Boor, PhD

Erschienen in: Die Pathologie | Ausgabe 2/2024

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

In der Nephropathologie werden häufig semiquantitative histologische Scoringsysteme verwendet. In der computergestützten Nephropathologie liegt der Fokus auf der Generierung von quantitativen Daten aus der Histologie (sog. Pathomics). Mehrere aktuelle Studien haben mittels Next Generation Morphometry (NGM) solche Daten basierend auf Segmentierungen durch Künstliche Neuronale Netzwerke erhoben und deren Nutzbarkeit für verschiedene klinische oder diagnostische Zwecke untersucht.

Ziel der Arbeit

Die Arbeit gibt einen Überblick über die aktuelle Studienlage hinsichtlich Pathomics von Nierengewebe und identifiziert aktuelle Herausforderungen und potenzielle Lösungen.

Material und Methoden

Aufgrund der Literaturrestriktion (maximal 30 Referenzen) wurden Studien, die möglichst große Datenmengen verarbeiten, innovative Methodiken verwenden und/oder idealerweise multizentrisch konzipiert sind, basierend auf einer Datenbankrecherche ausgewählt.

Ergebnisse und Diskussion

Pathomics-Studien der Niere haben eindrucksvoll gezeigt, dass morphometrische Daten klinisch (beispielsweise zur Prognoseabschätzung) und auch translational nützlich sind. Zur weiteren Entwicklung von NGM ist die Bewältigung einiger Herausforderungen notwendig, darunter insbesondere eine bessere Standardisierung und die Generierung prospektiver Evidenz.

Barisoni L, Lafata KJ, Hewitt SM et al (2020) Digital pathology and computational image analysis in nephropathology. Nat Rev Nephrol 16:669–685CrossRefPubMedPubMedCentral

Barratt J, Feehally J (2006) Treatment of IgA nephropathy. Kidney Int 69:1934–1938CrossRefPubMed

Bouteldja N, Klinkhammer BM, Bülow RD et al (2021) Deep learning-based segmentation and quantification in experimental kidney histopathology. J Am Soc Nephrol 32:52–68CrossRefPubMed

Bülow RD, Hölscher DL, Costa IG, Boor P (2023) Extending the landscape of omics technologies by pathomics. NPJ Syst Biol Appl 9:38CrossRefPubMedPubMedCentral

Chen Y, Zee J, Janowczyk AR et al (2023) Clinical relevance of computationally derived attributes of peritubular capillaries from kidney biopsies. Kidney 4:648–658CrossRef

Coppo R, Troyanov S, Bellur S et al (2014) Validation of the oxford classification of IgA nephropathy in cohorts with different presentations and treatments. Kidney Int 86:828–836CrossRefPubMedPubMedCentral

Fouad S, Randell D, Galton A et al (2017) Unsupervised morphological segmentation of tissue compartments in histopathological images. PLoS ONE 12:e188717CrossRefPubMedPubMedCentral

Ginley B, Jen K‑Y, Han SS et al (2021) Automated computational detection of interstitial fibrosis, tubular atrophy, and glomerulosclerosis. J Am Soc Nephrol. https://doi.org/10.1681/ASN.2020050652CrossRefPubMedPubMedCentral

Ginley B, Lutnick B, Jen KY et al (2019) Computational segmentation and classification of diabetic glomerulosclerosis. J Am Soc Nephrol 30:1953–1967CrossRefPubMedPubMedCentral

10.

Gupta R, Kurc T, Sharma A et al (2019) The emergence of pathomics. Curr Pathobiol Rep 7:73–84CrossRef

11.

Haas M, Seshan SV, Barisoni L et al (2020) Consensus definitions for glomerular lesions by light and electron microscopy: recommendations from a working group of the renal pathology society. Kidney Int 98:1120–1134CrossRefPubMed

12.

Hermsen M, de Bel T, den Boer M et al (2019) Deep learning-based histopathologic assessment of kidney tissue. J Am Soc Nephrol 30:1968–1979CrossRefPubMedPubMedCentral

13.

Hölscher DL, Bouteldja N, Joodaki M et al (2023) Next-Generation Morphometry for pathomics-data mining in histopathology. Nat Commun 14:470ADSCrossRefPubMedPubMedCentral

14.

Jansen I, Lucas M, Savci-Heijink CD et al (2019) Three-dimensional histopathological reconstruction of bladder tumours. Diagn Pathol 14:25CrossRefPubMedPubMedCentral

15.

Jayapandian CP, Chen Y, Janowczyk AR et al (2021) Development and evaluation of deep learning-based segmentation of histologic structures in the kidney cortex with multiple histologic stains. Kidney Int 99:86–101CrossRefPubMed

16.

Joodaki M, Shaigan M, Parra V et al (2022) Detection of PatIent-Level distances from single cell genomics and pathomics data with Optimal Transport (PILOT). bioRxiv:2022.12.16.520739 https://doi.org/10.1101/2022.12.16.520739CrossRef

17.

Kers J, Bülow RD, Klinkhammer BM et al (2022) Deep learning-based classification of kidney transplant pathology: a retrospective, multicentre, proof-of-concept study. Lancet Digit Health 4:e18–e26CrossRefPubMed

18.

Loupy A, Mengel M, Haas M (2022) Thirty years of the international banff classification for allograft pathology: the past, present, and future of kidney transplant diagnostics. Kidney Int 101:678–691. https://doi.org/10.1016/j.kint.2021.11.028CrossRefPubMed

19.

Okafor LO, Hewins P, Murray PI, Denniston AK (2017) Tubulointerstitial nephritis and uveitis (TINU) syndrome: a systematic review of its epidemiology, demographics and risk factors. Orphanet J Rare Dis 12:128CrossRefPubMedPubMedCentral

20.

Santo BA, Govind D, Daneshpajouhnejad P et al (2022) PodoCount: a robust, fully automated, whole-slide podocyte quantification tool. Kidney Int 7:1377–1392

21.

Schena FP, Magistroni R, Narducci F et al (2022) Artificial intelligence in glomerular diseases. Pediatr Nephrol 37:2533–2545CrossRefPubMed

22.

Southgate G, Clarke P, Harmer MJ (2023) Renal outcomes in tubulointerstitial nephritis and uveitis (TINU) syndrome: a systematic review and meta-analysis. J Nephrol 36:507–519CrossRefPubMed

23.

Walsh CL, Tafforeau P, Wagner WL et al (2021) Imaging intact human organs with local resolution of cellular structures using hierarchical phase-contrast tomography. Nat Methods 18:1532–1541CrossRefPubMedPubMedCentral

24.

Weis C‑A, Bindzus JN, Voigt J et al (2022) Assessment of glomerular morphological patterns by deep learning algorithms. J Nephrol 35:417–427CrossRefPubMedPubMedCentral

25.

Willey CJ, Coppo R, Schaefer F et al (2023) The incidence and prevalence of IgA nephropathy in Europe. Nephrol Dial Transplant. https://doi.org/10.1093/ndt/gfad082CrossRefPubMedPubMedCentral

26.

Zimmermann M, Klaus M, Wong MN et al (2021) Deep learning-based molecular morphometrics for kidney biopsies. JCI Insight. https://doi.org/10.1172/jci.insight.144779CrossRefPubMedPubMedCentral

27.

Zwanenburg A, Vallières M, Abdalah MA et al (2020) The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology 295:328–338CrossRefPubMed

28.

(2017) European cancer information system. https://ecis.jrc.ec.europa.eu/. Zugegriffen: 2. Sept. 2023

Titel: Fortschritte in der computergestützten quantitativen Nephropathologie
verfasst von: Roman D. Bülow
Patrick Droste
Univ.-Prof. Dr. med. Peter Boor, PhD
Publikationsdatum: 02.02.2024
Verlag: Springer Medizin
Erschienen in: Die Pathologie / Ausgabe 2/2024
Print ISSN: 2731-7188
Elektronische ISSN: 2731-7196
DOI: https://doi.org/10.1007/s00292-024-01300-1

Leitlinien kompakt für die Innere Medizin

Mit medbee Pocketcards sicher entscheiden.

^{Seit 2022 gehört die medbee GmbH zum Springer Medizin Verlag}

Kostenlos registrieren

Update Innere Medizin

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Live-Webinar "Urologie und Sexualmedizin in der Praxis"

Springer Medizin

Fortschritte in der computergestützten quantitativen Nephropathologie

Zusammenfassung

Hintergrund

Ziel der Arbeit

Material und Methoden

Ergebnisse und Diskussion

Leitlinien kompakt für die Innere Medizin

Neu im Fachgebiet Innere Medizin

Erhebliches Risiko für Kehlkopfkrebs bei mäßiger Dysplasie

Nach Herzinfarkt mit Typ-1-Diabetes schlechtere Karten als mit Typ 2?

15% bedauern gewählte Blasenkrebs-Therapie

Costims – das nächste heiße Ding in der Krebstherapie?

Update Innere Medizin

Live-Webinar "Urologie und Sexualmedizin in der Praxis"

Springer Medizin

Zusammenfassung

Hintergrund

Ziel der Arbeit

Material und Methoden

Ergebnisse und Diskussion

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 2/2024

Knochenmarkhistologie bei Zytopenien

Auswirkungen vorgeschalteter Laborprozesse auf die Digitalisierung histologischer Schnittpräparate

Die Modelltransferierbarkeit von KI in der digitalen Pathologie

Melaninbleiche – eine (fast) vergessene Technik

Mitteilungen der Österreichischen Gesellschaft für Klinische Pathologie und Molekularpathologie

Erratum zu: Molekulare Klassifikation des Endometriumkarzinoms – ein kurzer Überblick

Leitlinien kompakt für die Innere Medizin

Neu im Fachgebiet Innere Medizin

Erhebliches Risiko für Kehlkopfkrebs bei mäßiger Dysplasie

Nach Herzinfarkt mit Typ-1-Diabetes schlechtere Karten als mit Typ 2?

15% bedauern gewählte Blasenkrebs-Therapie

Costims – das nächste heiße Ding in der Krebstherapie?

Update Innere Medizin