nach oben

Die Onkologie

Erschienen in:

06.06.2023 | Pathologie | Leitthema

Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie

verfasst von: Yuri Tolkach, Sebastian Klein, Tsvetan Tsvetkov, Prof. Dr. Reinhard Buettner

Erschienen in: Die Onkologie | Ausgabe 10/2023

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Die Digitalisierung bietet viele Chancen zur Verbesserung von Diagnostik und Therapien bei Krebserkrankungen, insbesondere auch im Bereich der Pathologie. Neben der molekularen Analyse von bösartigen Tumoren und der Proteinanalytik (Immunhistochemie) ist die Digitalisierung der Pathologie ein weiterer evolutionärer Schritt, der dieses Fachgebiet tiefgreifend modernisieren und transformieren wird.

Methoden

Die vorliegende Arbeit basiert auf einer selektiven Literaturrecherche in der Datenbank PubMed zum Thema „digitale Pathologie“ und „KI-Algorithmen“.

Ergebnisse

Das Spektrum der digitalen Transformation reicht von einer Digitalisierung und Strukturierung diagnostischer Befunde zur schnelleren, präziseren und reproduzierbareren Diagnostik für onkologische Patientinnen und Patienten über die Einführung einer Telepathologie und einen schnelleren Zugang zu Referenzpathologien bis hin zur Einführung von Algorithmen, die auf künstlicher Intelligenz (KI) beruhen und automatisierte Analysen virtualisierter pathologischer Gewebsschnitte ermöglichen. Letztere sind Gegenstand aktiver Forschung und gliedern sich in 2 Hauptkategorien: i.) diagnostische KI für typische Aufgaben der Pathologie, beispielsweise einer Quantifizierung prädiktiver Marker immunhistochemischer Färbungen oder Tumordetektionen, Graduierungen und Subtypisierungen anhand von Hämatoxylin-Eosin-Routinefärbungen, sowie ii.) fortgeschrittene Anwendungen, welche Detektionen von molekulargenetischen Alterationen und therapierelevante Bildbiomarker, im weitesten Sinne, beinhalten.

Schlussfolgerungen

In dieser Arbeit werden Aspekte der digitalen Transformation für pathologische Institute reflektiert, im Hinblick auf die zukünftige Entwicklung für die Präzisionsonkologie, aber auch deren Status quo.

Janning M, Süptitz J, Albers-Leischner C et al (2022) Treatment outcome of atypical EGFR mutations in the German National Network Genomic Medicine Lung Cancer (nNGM). Ann Oncol 33(6):602–615. https://doi.org/10.1016/J.ANNONC.2022.02.225CrossRefPubMed

Kerr KM, Bibeau F, Thunnissen E et al (2021) The evolving landscape of biomarker testing for non-small cell lung cancer in Europe. Cancer Treat Res 154:161–175. https://doi.org/10.1016/J.LUNGCAN.2021.02.026CrossRef

Evans AJ, Brown RW, Bui MM et al (2022) Validating whole slide imaging systems for diagnostic purposes in pathology. Arch Pathol Lab Med 146(4):440–450. https://doi.org/10.5858/ARPA.2020-0723-CPCrossRefPubMed

Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A (2019) Artificial intelligence in digital pathology—new tools for diagnosis and precision oncology. Nat Rev Clin Oncol 16(11):703–715. https://doi.org/10.1038/s41571-019-0252-yCrossRefPubMedPubMedCentral

Echle A, Rindtorff NT, Brinker TJ, Luedde T, Pearson AT, Kather JN (2021) Deep learning in cancer pathology: a new generation of clinical biomarkers. Br J Cancer 124(4):686–696. https://doi.org/10.1038/s41416-020-01122-xCrossRefPubMed

Schömig-Markiefka B, Pryalukhin A, Hulla W et al (2021) Quality control stress test for deep learning-based diagnostic model in digital pathology. Mod Pathol 34(12):2098–2108. https://doi.org/10.1038/s41379-021-00859-xCrossRefPubMedPubMedCentral

Cai L, Yan K, Bu H et al (2021) Improving Ki67 assessment concordance by the use of an artificial intelligence-empowered microscope: a multi-institutional ring study. Histopathology 79(4):544–555. https://doi.org/10.1111/HIS.14383CrossRefPubMed

Abele N, Tiemann K, Krech T et al (2023) Noninferiority of artificial intelligence-assisted analysis of Ki-67 and estrogen/progesterone receptor in breast cancer routine diagnostics. Mod Pathol 36(3):100033. https://doi.org/10.1016/J.MODPAT.2022.100033CrossRefPubMed

Scheel AH, Dietel M, Heukamp LC et al (2016) Predictive PD-L1 immunohistochemistry for non-small cell lung cancer : Current state of the art and experiences of the first German harmonization study. Pathologe 37(6):557–567. https://doi.org/10.1007/S00292-016-0189-1CrossRefPubMed

10.

Scheel AH, Baenfer G, Baretton G et al (2018) Interlaboratory concordance of PD-L1 immunohistochemistry for non-small-cell lung cancer. Histopathology 72(3):449–459. https://doi.org/10.1111/HIS.13375CrossRefPubMed

11.

Tolkach Y, Dohmgörgen T, Toma M, Kristiansen G (2020) High-accuracy prostate cancer pathology using deep learning. Nat Mach Intell 2(7):411–418. https://doi.org/10.1038/s42256-020-0200-7CrossRef

12.

Campanella G, Hanna MG, Geneslaw L et al (2019) Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med 25(8):1301–1309. https://doi.org/10.1038/s41591-019-0508-1CrossRefPubMedPubMedCentral

13.

Coudray N, Ocampo PS, Sakellaropoulos T et al (2018) Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med 24(10):1559–1567. https://doi.org/10.1038/s41591-018-0177-5CrossRefPubMedPubMedCentral

14.

Couture HD, Williams LA, Geradts J et al (2018) Image analysis with deep learning to predict breast cancer grade, ER status, histologic subtype, and intrinsic subtype. NPJ Breast Cancer 4(1):30. https://doi.org/10.1038/s41523-018-0079-1CrossRefPubMedPubMedCentral

15.

Bejnordi BE, Veta M, Van Diest PJ et al (2017) Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 318(22):2199–2210. https://doi.org/10.1001/jama.2017.14585CrossRef

16.

Yu G, Sun K, Xu C et al (2021) Accurate recognition of colorectal cancer with semi-supervised deep learning on pathological images. Nat Commun. https://doi.org/10.1038/s41467-021-26643-8CrossRefPubMedPubMedCentral

17.

Tolkach Y, Wolgast LM, Damanakis A, Pryalukhin A, Schallenberg S, Hulla W, Eich ML, Schroeder W, Mukhopadhyay A, Fuchs M, Klein S, Bruns C, Büttner R, Gebauer F, Schömig-Markiefka B, Quaas A (2023) Artificial intelligence for tumour tissue detection and histological regression grading in oesophageal adenocarcinomas: a retrospective algorithm development and validation study. Lancet Digit Health 5(5):e265–e275. https://doi.org/10.1016/S2589-7500(23)00027-4. PMID: 37100542

18.

Global pathology workforce heatmap. https://thepathologist.com/outside-the-lab/constant-demand-patchy-supply. Zugegriffen: 17. Apr. 2023

19.

Tolkach Y, Ovtcharov V, Pryalukhin A et al (2023) An international multi-institutional validation study of deep learning-based classifier for prostate cancer detection and Gleason grading in biopsy samples (Under Review)

20.

Saldanha OL, Muti HS, Grabsch HI et al (2022) Direct prediction of genetic aberrations from pathology images in gastric cancer with swarm learning. Gastric Cancer. https://doi.org/10.1007/s10120-022-01347-0CrossRefPubMedPubMedCentral

21.

Kather JN, Pearson AT, Halama N et al (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25(7):1054–1056. https://doi.org/10.1038/s41591-019-0462-yCrossRefPubMedPubMedCentral

22.

Kather JN, Krisam J, Charoentong P et al (2019) Predicting survival from colorectal cancer histology slides using deep learning: A retrospective multicenter study. PLoS Med 16(1):e1002730. https://doi.org/10.1371/journal.pmed.1002730CrossRefPubMedPubMedCentral

23.

Klein S, Mauch C, Brinker K et al (2021) Tumor infiltrating lymphocyte clusters are associated with response to immune checkpoint inhibition in BRAF V600E/K mutated malignant melanomas. Sci Rep. https://doi.org/10.1038/S41598-021-81330-4CrossRefPubMedPubMedCentral

24.

Klein S, Quaas A, Quantius J et al (2021) Deep learning predicts HPV association in oropharyngeal squamous cell carcinomas and identifies patients with a favorable prognosis using regular H&E stains. Clin Cancer Res 27(4):1131–1138. https://doi.org/10.1158/1078-0432.CCR-20-3596CrossRefPubMed

25.

Fu Y, Jung AW, Torne RV et al (2020) Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis. Nat Cancer 1(8):800–810. https://doi.org/10.1038/S43018-020-0085-8CrossRefPubMed

26.

Kather JN, Heij LR, Grabsch HI et al (2020) Pan-cancer image-based detection of clinically actionable genetic alterations. Nat Cancer 1(8):789–799. https://doi.org/10.1038/S43018-020-0087-6CrossRefPubMedPubMedCentral

27.

Lipkova J, Chen RJ, Chen B et al (2022) Artificial intelligence for multimodal data integration in oncology. Cancer Cell 40(10):1095–1110. https://doi.org/10.1016/J.CCELL.2022.09.012CrossRefPubMed

Titel: Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie
verfasst von: Yuri Tolkach
Sebastian Klein
Tsvetan Tsvetkov
Prof. Dr. Reinhard Buettner
Publikationsdatum: 06.06.2023
Verlag: Springer Medizin
Schlagwörter: Pathologie
Künstliche Intelligenz
Erschienen in: Die Onkologie / Ausgabe 10/2023
Print ISSN: 2731-7226
Elektronische ISSN: 2731-7234
DOI: https://doi.org/10.1007/s00761-023-01359-0

Die Highlights vom Kongress des American College of Cardiology 2024

Springer Medizin

Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie

Zusammenfassung

Hintergrund

Methoden

Ergebnisse

Schlussfolgerungen

Neu im Fachgebiet Onkologie

Alphablocker schützt vor Miktionsproblemen nach der Biopsie

Antikörper-Wirkstoff-Konjugat hält solide Tumoren in Schach

Mammakarzinom: Senken Statine das krebsbedingte Sterberisiko?

Labor, CT-Anthropometrie zeigen Risiko für Pankreaskrebs

Update Onkologie

Die Highlights vom Kongress des American College of Cardiology 2024

Springer Medizin

Zusammenfassung

Hintergrund

Methoden

Ergebnisse

Schlussfolgerungen

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

Weitere Artikel der Ausgabe 10/2023

Beitrag der Humangenetik zur Präzisionsonkologie

Rolle der Chirurgie in Zeiten der Präzisionsonkologie

Nebennierentumoren: Diagnostik, perioperatives Management und operative Therapie

Wie gut ist ein KI-basierter Bestrahlungsplan?

Welche Vorteile hat eine präoperative Bestrahlung von Hirnmetastasen?

Primärer Knochenkrebs nach Überleben einer Krebserkrankung im Kindesalter

Neu im Fachgebiet Onkologie

Alphablocker schützt vor Miktionsproblemen nach der Biopsie

Antikörper-Wirkstoff-Konjugat hält solide Tumoren in Schach

Mammakarzinom: Senken Statine das krebsbedingte Sterberisiko?

Labor, CT-Anthropometrie zeigen Risiko für Pankreaskrebs

Update Onkologie