Dienstag, 18. Mai 2021
Navigation öffnen
Anzeige:
Darzalex
Darzalex
 
JOURNAL ONKOLOGIE – Artikel
26. April 2021
Seite 1/4

Maschinelles Lernen und digitale Pathologie

H. Hauspurg, Institut für Hämatopathologie Hamburg, Hamburg, T. Lang, Mindpeak Hamburg
Die Krebsdiagnostik steht vor immensen Herausforderungen. Vor dem Hintergrund der weltweit stark steigenden Zahl von Krebserkrankungen muss die Pathologie bei gleichbleibenden oder sogar abnehmenden Kapazitäten immer mehr Diagnosen erstellen. Die Digitalisierung der Krebsdiagnostik spielt in dieser Frage eine entscheidende Rolle. Sie kann in einer Reihe von Vereinfachungen und Verbesserungen enorme Vorteile für die onkologische Therapie bieten: Mit der Digitalisierung werden eine effizientere Logistik in der Fallverteilung und der Einsatz von Telemedizin möglich. Nicht zuletzt die SARS-CoV-2-Pandemie hat gezeigt, was hierfür nicht nur möglich, sondern notwendig ist. Der noch größere Nutzen der digitalen Pathologie liegt aber in der diagnostischen Unterstützung des menschlichen Experten durch den Computer. Methoden der Künstlichen Intelligenz (KI) und insbesondere des Maschinellen Lernens (ML) haben das Potenzial, Experten in der onkologischen Diagnostik nicht nur erheblich zu unterstützen, sondern auf dem Weg zur Präzisionsmedizin ein entscheidendes Werkzeug zu sein.
Die histopathologische Diagnose ist die Basis für onkologische Therapieentscheidungen. Die Bedeutung der Pathologie könnte vor dem Hintergrund des rasanten Wissenszuwachses zu dia­gnostischen, prädiktiven und prognostischen Biomarkern nicht größer sein. Um die enormen Mengen neuer Daten auf dem Gebiet der Molekularpathologie und Pathologie zur Verbesserung der Diagnostik und Therapie zu nutzen, sind neue Technologien für ihre Auswertung und Interpretation unverzichtbar. Denn die akkurate Beurteilung von Biomarkern ist die Grundlage für die personalisierte Therapie und ihre Auswertung durch Pathologen ist interindividuellen Schwankungen unterworfen (1).

ML ist das geeignete Werkzeug, um große Datenmengen für Anwendungen in der medizinischen Diagnostik und Forschung mit KI nutzbar zu machen. Die Möglichkeiten, die ML mit sich bringt, werden auch in der Pathologie in den kommenden Jahren zu spürbaren Veränderungen und Verbesserungen führen: Die Stärken liegen v.a. in der systematischen Erschließung diagnostisch aussagekräftiger Muster in großen Datensammlungen und in der Bilderkennung, also dem Kerngebiet der allgemeinen und speziellen Pathologie (2, 3).

Der breite Einsatz von digitaler Pathologie und ML ist in den letzten Jahren durch die großen technischen Fortschritte in Scan- und Speicherverfahren möglich geworden. Heutzutage können Gewebeschnitte eines Routinelabors in kurzer Zeit vollständig digitalisiert und mit Hilfe der digitalen Mikroskopie befundet werden (4).

Möglichst große Serien digitaler Gewebeschnitte von Tumorproben sind der Rohstoff für ML, ein Teilgebiet der KI und häufig einfach mit dem Oberbegriff Artificial Intelligence (AI) bezeichnet. ML-Methoden können bereits aus Routinefärbungen eine Fülle von Informationen über die Zusammensetzung, Lokalisation und Quantität von Tumorgeweben gewinnen, die für das menschliche Auge häufig erst mit Hilfe von Spezialfärbungen sichtbar werden. ML kann in der Pathologie für viele Fragestellungen nützlich sein, z.B. können prädiktive Faktoren wie die Lymphozyteninfiltration oder Vaskularisation des Tumorgewebes bestimmt (5, 6), Metastasen detektiert (7) oder mit bestimmten phänotypischen Veränderungen assoziierte genetische Aber­rationen vorherbestimmt werden (8).

Erste Anwendungsfälle für ML, die die histopathologische Diagnostik genauer und effizienter machen und so zu besseren therapeutischen Entscheidungen beitragen können, sind in der Erprobung für den klinischen Einsatz (9). Es konnte gezeigt werden, dass ML-Methoden erfahrenen Pathologen bei bestimmten Prozeduren mindestens ebenbürtig sind (10). ML-Methoden sollen den Pathologen jedoch nicht ersetzen, sondern seine Arbeit begleiten und erleichtern. So ist z.B. das Screening von Sentinel-Lymphknoten zum Nachweis von Metastasen bei Mammakarzinom-Patientinnen eine aufwendige und zeitintensive Prozedur, die mit Hilfe von ML stark vereinfacht werden kann (11).

ML-Prinzipien

ML-Methoden haben in den vergangenen 10 Jahren die computergestützte Bilderkennung und Auswertung genetischer Daten revolutioniert (12). In traditionellen Verfahren der Bilderkennung geben menschliche Experten dem Computer Regeln vor. Beispielsweise definiert ein Programmierer, welche Größe Tumorzellen haben. Dies funktioniert in der Praxis jedoch selten mit ausreichender Exaktheit: Für menschliche Experten ist es meist unmöglich, ihre eigene visuelle Erkennungsleistung in vollständigen und präzisen Regelsys­temen abzubilden. Aus diesem Grund gab es bisher nur wenige computergestützte Bildanalysesysteme im praktischen Einsatz in der Pathologie.

Im Gegensatz dazu lernt ein ML-System diese Regeln eigenständig, ohne menschliche Hilfe, anhand von Beispielen. Durch diese Selbstständigkeit wird es möglich, auch hochkomplizierte diagnostische Muster zu identifizieren und damit anspruchsvolle Bilderkennungsaufgaben, wie sie gerade für die Pathologie typisch sind, zu lösen. Die wichtigste moderne ML-Methode ist das Deep Learning (13), das zumeist auf sog. tiefen neuronalen Netzen basiert, mehrschichtigen Berechnungseinheiten, die vage an das Vorbild neuronaler Netze des menschlichen Gehirns erinnern. Sie berechnen in einer Kaskade von mathematischen Operationen immer abstraktere Bildmerkmale, mittels derer schließlich das finale Analyse­ergebnis erstellt wird.
 
Vorherige Seite

Anzeige:
Lonsurf
 
Das könnte Sie auch interessieren
Hautkrebsreport: Nur jeder Sechste geht zur Früherkennung
Hautkrebsreport%3A+Nur+jeder+Sechste+geht+zur+Fr%C3%BCherkennung
© Alexander Raths / fotolia.com

Hautkrebs ist mit 270.000 Neuerkrankungen pro Jahr die häufigste Krebserkrankung in Deutschland. Bei jeder siebten Erkrankung handelt es sich um ein sogenanntes malignes Melanom, den gefährlichen schwarzen Hautkrebs. Allein in Rheinland-Pfalz waren im Jahr 2017 9.907 gesetzlich Krankenversicherte vom schwarzen Hautkrebs betroffen. Die häufigsten Erkrankungsfälle wurden in Hessen, Niedersachsen und Thüringen...

Sie können folgenden Inhalt einem Kollegen empfehlen:

"Maschinelles Lernen und digitale Pathologie"

Bitte tragen Sie auch die Absenderdaten vollständig ein, damit Sie der Empfänger erkennen kann.

Die mit (*) gekennzeichneten Angaben müssen eingetragen werden!

Die Verwendung Ihrer Daten für den Newsletter können Sie jederzeit mit Wirkung für die Zukunft gegenüber der Medical Tribune Verlagsgesellschaft mbH - Geschäftsbereich rs media widersprechen ohne dass Kosten entstehen. Nutzen Sie hierfür etwaige Abmeldelinks im Newsletter oder schreiben Sie eine E-Mail an: info[at]rsmedia-verlag.de.