Samstag, 5. Dezember 2020
Navigation öffnen
Anzeige:
Medical Cloud CAR T
 
Medizin

24. Mai 2018
Seite 1/2
Maschinelles Lernen in der Pathologie: Komplexe Daten sichtbar machen und interpretieren

In der Pathologie bedeutet maschinelles Lernen vor allem komplexe morphologische und molekulare Daten elektronisch sichtbar zu machen, zusammenzubringen und zu interpretieren. Neueste Erkenntnisse in dieser Woche auf der 102. Jahrestagung der Deutschen Gesellschaft für Pathologie.
Die mikroskopische Untersuchung von Geweben ist die Grundlage der modernen Pathologie. Hierbei liefern feinste sichtbare Veränderungen an Zellen und der Gewebearchitektur entscheidende Hinweise auf das Vorliegen z.B. eines bösartigen Tumors. Die Histomorphologie wird zunehmend durch molekulare Verfahren ergänzt, die es erlauben, pathologisch veränderte Gene oder Proteine zu identifizieren. Insbesondere Mutationsanalysen (Next-Generation-Sequencing/NGS) spielen eine immer wichtigere Rolle, da sie Zielmoleküle für sogenannte Präzisionstherapien identifizieren können. Allerdings liefern diese Hochdurchsatzverfahren ("Omics") kaum Informationen über die räumliche Verteilung der molekularen Merkmale im Tumor und angrenzenden gesunden Gewebe. Die Aufgabe der Pathologie wird es daher sein, die Vorteile der histomorphologischen und molekularen Verfahren zu verbinden. Für diese integrative "morphomolekulare" Pathologie bedarf es neuartiger experimenteller und computergestützter Ansätze.

Innovative experimentelle und computergestützte Methoden

Während die Darstellung einzelner molekularer Marker durch immunhistochemische oder in-situ Hybridisierungsmethoden im histologischen Schnittpräparat ein fester Bestandteil der pathologischen Routinediagnostik ist, ermöglichen neuere Verfahren wie bildgebende MALDI- oder CyTOF-Massenspektrometrie die parallele räumliche Analyse multipler molekularer Eigenschaften. „Diese bildgebenden massenspektrometrischen Verfahren helfen dabei, die Histomorphologie und Molekularpathologie zu verbinden, ersetzen bisher aber weder konventionelle histologische noch aktuelle ‚Omics‘-Verfahren. Computergestützte Verfahren aus dem Bereich des maschinellen Lernens können einen weiteren Beitrag zur morphomolekularen Integration leisten, indem sie es ermöglichen, morphologische Merkmale in histologischen Schnittpräparaten quantitativ zu erfassen und aus ihnen teilweise sogar molekulare Tumoreigenschaften vorherzusagen“, erklärt Prof. Dr. med. Dipl.-Phys. Frederick Klauschen, Geschäftsführender Oberarzt am Institut für Pathologie der Charité in Berlin und Leiter des Forschungsbereiches Systempathologie.

Die neuen Technologien unterstützen die immer komplexer werdende Arbeit des Pathologen. „Weil wir immer mehr über die biologischen Grundlagen von Tumorerkrankungen wissen und sie außerdem therapeutisch nutzbar machen können, kommen bei der Beurteilung von Gewebeproben immer mehr Faktoren ins Spiel. Neben der klassischen Diagnosefindung umfasst die Aufgabe des Pathologen heutzutage daher auch die Identifikation und Quantifizierung unmittelbar therapeutisch relevanter Tumoreigenschaften, wie beispielsweise Genmutationen in Wachstumsfaktorrezeptoren oder den Tumor infiltrierende Immunzellen“, so der Pathologe. „Maschinelles Lernen kann den Pathologen hierbei unterstützen.“
 
Vorherige Seite

Anzeige:
Darzalex
 

Sie können folgenden Inhalt einem Kollegen empfehlen:

"Maschinelles Lernen in der Pathologie: Komplexe Daten sichtbar machen und interpretieren"

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 rsmedia GmbH widersprechen ohne dass Kosten entstehen. Nutzen Sie hierfür etwaige Abmeldelinks im Newsletter oder schreiben Sie eine E-Mail an: info[at]rsmedia-verlag.de.


ESMO Virtual Congress 2020
  • Fortgeschrittenes Melanom nach Versagen einer PD-(L)1-Inhibition: Vielversprechende Antitumoraktivität mit Pembrolizumab + Lenvatinib
  • Pembrolizumab + Lenvatinib: Vielversprechende Ansprechraten bei vorbehandelten fortgeschrittenen Tumoren
  • HNSCC: Pembrolizumab als Monotherapie und als Partner einer Platin-basierten Chemotherapie erfolgreich in der Erstlinie
  • Ösophaguskarzinom: Relevante OS- und PFS-Verlängerung durch Pembrolizumab + Chemotherapie in der Erstlinie
  • 5-Jahres-Daten der KEYNOTE-024-Studie bestätigen deutliche Überlegenheit für Pembrolizumab mono vs. Chemotherapie beim NSCLC mit hoher PD-L1-Expression
  • Neuer Anti-ILT4-Antikörper zeigt in Kombination mit Pembrolizumab erste vielversprechende Ergebnisse bei fortgeschrittenen Tumoren
  • Adjuvante Therapie mit Pembrolizumab verlängert auch das fernmetastasenfreie Überleben bei komplett resezierten Hochrisiko-Melanomen im Stadium III
  • HIF-2α-Inhibitor MK-6482 beim Von-Hippel-Lindau-Syndrom: Vielversprechende Wirksamkeit auch bei Nicht-RCC-Läsionen
  • Neuer Checkpoint-Inhibitor: Vielversprechende erste Studiendaten für Anti-TIGIT-Antikörper Vibostolimab in Kombination mit Pembrolizumab