nach oben

best practice onkologie

Erschienen in:

23.04.2024 | Künstliche Intelligenz | Topic

Künstliche Intelligenz in der Pathologie: Status quo und Zukunftsperspektiven

verfasst von: Dr. Sebastian Foersch, Stefan Schulz, M.Sc.

Erschienen in: best practice onkologie | Ausgabe 5/2024

Einloggen, um Zugang zu erhalten

Zusammenfassung

Im Zuge einer zunehmenden Individualisierung onkologischer Diagnostik und Therapie stehen immer größere Datenbestände in Form von komplexen klinischen, molekularen, radiologischen und histopathologischen (Bild‑)Daten zur Verfügung. Zeitgleich erlauben Fortschritte auf technischer und algorithmischer Ebene im Bereich der künstlichen Intelligenz (KI) dieses medizinische „Big-Data-Reservoir“ diagnostisch sowie in der Vorhersage von Prognose und Therapieverläufen nutzbar zu machen. Trotz erster vielversprechender Anwendungen, die einen prinzipiellen Machbarkeitsnachweis liefern, steht eine flächendeckende Anwendung von KI-Verfahren in der alltäglichen pathologischen Praxis erst noch bevor. Voraussetzung hierfür ist eine Digitalisierung der Befundung, z. B. mithilfe des „whole-slide imaging“ (WSI). Kernpunkte für ein Gelingen der KI-Transformation der Pathologie werden voraussichtlich in einer Steigerung der Genauigkeit, Reproduzierbarkeit, Erklärbarkeit, Interpretierbarkeit und resultierenden Verlässlichkeit der KI-basierten Klassifizierungssysteme unter frühzeitigem Einbeziehen der menschlichen Patholog*innen bestehen. Diese Übersichtsarbeit informiert auf der Basis des aktuellen Forschungsstands über die momentane und zukünftige Bedeutung von Verfahren künstlicher Intelligenz für die histopathologische (Routine‑)Diagnostik.

Zhou Z, Li M (2022) Targeted therapies for cancer. BMC Med 20(1):90PubMedPubMedCentralCrossRef

Caputo V et al (2023) Diagnostic value of liquid biopsy in the era of precision medicine: 10 years of clinical evidence in cancer. Explor Target Antitumor Ther 4(1):102–138PubMedPubMedCentralCrossRef

Brozek-Pluska B et al (2019) Analysis of human colon by raman spectroscopy and imaging-elucidation of biochemical changes in carcinogenesis. Int J Mol Sci 20(14)

di Ruffano Ferrante L et al (2018) Optical coherence tomography for diagnosing skin cancer in adults. Cochrane Database Syst Rev 12(12):CD13189

Chen RJ et al (2022) Pan-cancer integrative histology-genomic analysis via multimodal deep learning. Cancer Cell 40(8):865–878 e6PubMedPubMedCentralCrossRef

Cifci D et al (2023) AI in computational pathology of cancer: improving diagnostic workflows and clinical outcomes? Annu Rev Cancer Biol 7(1):57–71CrossRef

Mall PK et al (2023) A comprehensive review of deep neural networks for medical image processing: recent developments and future opportunities. Healthc Anal 4:100216CrossRef

Dosovitskiy A et al (2020) An Image is worth 16 × 16 words: transformers for image recognition at scale. arXiv (2010.11929.)

Ghaffari Laleh N et al (2022) Adversarial attacks and adversarial robustness in computational pathology. Nat Commun 13(1):5711PubMedPubMedCentralCrossRef

10.

Manzari ON et al (2023) MedViT: A robust vision transformer for generalized medical image classification. Comput Biol Med 157:106791PubMedCrossRef

11.

Cloetingh D, Schmidt RA, Kong CS (2017) Comparison of three methods for measuring workload in surgical pathology and cytopathology. Am J Clin Pathol 148(1):16–22PubMedCrossRef

12.

Ehteshami Bejnordi B et al (2017) Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 318(22):2199–2210PubMedPubMedCentralCrossRef

13.

Song Z et al (2020) Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning. Nat Commun 11(1):4294PubMedPubMedCentralCrossRef

14.

Zhou S et al (2020) Deep learning assistance for the histopathologic diagnosis of helicobacter pylori. Intell Med 1–2:100004

15.

Klein S et al (2020) Deep learning for sensitive detection of helicobacter pylori in gastric biopsies. BMC Gastroenterol 20(1):417PubMedPubMedCentralCrossRef

16.

Pantanowitz L et al (2020) An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study. Lancet Digit Health 2(8):e407–e416PubMedCrossRef

17.

Bulten W et al (2020) Automated deep-learning system for gleason grading of prostate cancer using biopsies: a diagnostic study. Lancet Oncol 21(2):233–241PubMedCrossRef

18.

Strom P et al (2020) Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: a population-based, diagnostic study. Lancet Oncol 21(2):222–232PubMedCrossRef

19.

Tolkach Y et al (2020) High-accuracy prostate cancer pathology using deep learning. Nat Mach Intell 2(7):411–418CrossRef

20.

Foersch S et al (2021) Deep learning for diagnosis and survival prediction in soft tissue sarcoma. Ann Oncol 32(9):1178–1187PubMedCrossRef

21.

Li D et al (2020) A deep learning diagnostic platform for diffuse large B‑cell lymphoma with high accuracy across multiple hospitals. Nat Commun 11(1):6004PubMedPubMedCentralCrossRef

22.

Cheng N et al (2022) Deep learning-based classification of hepatocellular nodular lesions on whole-slide histopathologic images. Gastroenterology 162(7):1948–1961 e7PubMedCrossRef

23.

Albrecht T et al (2023) Deep learning-enabled diagnosis of liver adenocarcinoma. Gastroenterology 165(5):1262–1275PubMedCrossRef

24.

Lu MY et al (2021) AI-based pathology predicts origins for cancers of unknown primary. Nature 594(7861):106–110PubMedCrossRef

25.

Ozyoruk KB et al (2022) A deep-learning model for transforming the style of tissue images from cryosectioned to formalin-fixed and paraffin-embedded. Nat Biomed Eng 6(12):1407–1419PubMedCrossRef

26.

Awan R et al (2021) Deep learning based digital cell profiles for risk stratification of urine cytology images. Cytometry A 99(7):732–742PubMedCrossRef

27.

Matek C et al (2021) Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood 138(20):1917–1927PubMedPubMedCentralCrossRef

28.

Nojima S et al (2021) A deep learning system to diagnose the malignant potential of urothelial carcinoma cells in cytology specimens. Cancer Cytopathol 129(12):984–995PubMedCrossRef

29.

Beck AH et al (2011) Systematic analysis of breast cancer morphology uncovers stromal features associated with survival. Sci Transl Med 3(108):108ra113PubMedCrossRef

30.

Hida AI et al (2020) Automated assessment of Ki-67 in breast cancer: the utility of digital image analysis using virtual triple staining and whole slide imaging. Histopathology 77(3):471–480PubMedCrossRef

31.

Li H et al (2022) Deep learning-based pathology image analysis enhances magee feature correlation with oncotype DX breast recurrence score. Front Med 9:886763CrossRef

32.

Kleppe A et al (2022) A clinical decision support system optimising adjuvant chemotherapy for colorectal cancers by integrating deep learning and pathological staging markers: a development and validation study. Lancet Oncol 23(9):1221–1232PubMedCrossRef

33.

Skrede OJ et al (2020) Deep learning for prediction of colorectal cancer outcome: a discovery and validation study. Lancet 395(10221):350–360PubMedCrossRef

34.

Foersch S et al (2023) Multistain deep learning for prediction of prognosis and therapy response in colorectal cancer. Nat Med 29(2):430–439PubMedCrossRef

35.

Xiao C et al (2022) Accurate prediction of metachronous liver metastasis in stage I–III colorectal cancer patients using deep learning with digital pathological images. Front Oncol 12:844067PubMedPubMedCentralCrossRef

36.

Hu J et al (2021) Using deep learning to predict anti-PD‑1 response in melanoma and lung cancer patients from histopathology images. Transl Oncol 14(1):100921PubMedCrossRef

37.

Echle A et al (2022) Artificial intelligence for detection of microsatellite instability in colorectal cancer—a multicentric analysis of a pre-screening tool for clinical application. ESMO Open 7(2):100400PubMedPubMedCentralCrossRef

38.

Kather JN et al (2020) Pan-cancer image-based detection of clinically actionable genetic alterations. Nat Cancer 1(8):789–799PubMedPubMedCentralCrossRef

39.

Kather JN et al (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25(7):1054–1056PubMedPubMedCentralCrossRef

40.

Muti HS et al (2021) Development and validation of deep learning classifiers to detect epstein-barr virus and microsatellite instability status in gastric cancer: a retrospective multicentre cohort study. Lancet Digit Health 3(10):e654–e664PubMedPubMedCentralCrossRef

41.

Niehues JM et al (2023) Generalizable biomarker prediction from cancer pathology slides with self-supervised deep learning: a retrospective multi-centric study. Cell Rep Med 4(4):100980PubMedPubMedCentralCrossRef

42.

Veldhuizen GP et al (2023) Deep learning-based subtyping of gastric cancer histology predicts clinical outcome: a multi-institutional retrospective study. Gastric Cancer 26(5):708–720PubMedPubMedCentralCrossRef

43.

Wagner SJ et al (2023) Transformer-based biomarker prediction from colorectal cancer histology: a large-scale multicentric study. Cancer Cell 41(9):1650–1661 e4PubMedPubMedCentralCrossRef

44.

Sirinukunwattana K et al (2021) Image-based consensus molecular subtype (imCMS) classification of colorectal cancer using deep learning. Gut 70(3):544–554PubMedCrossRef

45.

Yamashita R et al (2021) Deep learning model for the prediction of microsatellite instability in colorectal cancer: a diagnostic study. Lancet Oncol 22(1):132–141PubMedCrossRef

46.

Loeffler CML et al (2022) Artificial intelligence-based detection of FGFR3 mutational status directly from routine histology in bladder cancer: a possible preselection for molecular testing? Eur Urol Focus 8(2):472–479PubMedCrossRef

47.

Woerl AC et al (2020) Deep learning predicts molecular subtype of muscle-invasive bladder cancer from conventional histopathological slides. Eur Urol 78(2):256–264PubMedCrossRef

48.

Farahmand S et al (2022) Deep learning trained on hematoxylin and eosin tumor region of Interest predicts HER2 status and trastuzumab treatment response in HER2+ breast cancer. Mod Pathol 35(1):44–51PubMedCrossRef

49.

King H et al (2023) What works where and how for uptake and impact of artificial intelligence in pathology: review of theories for a realist evaluation. J Med Internet Res 25:e38039PubMedPubMedCentralCrossRef

50.

Arun N et al (2021) Assessing the trustworthiness of saliency maps for localizing abnormalities in medical imaging. Radiol Artif Intell 3(6):e200267PubMedPubMedCentralCrossRef

51.

Reis-Filho JS, Kather JN (2023) Overcoming the challenges to implementation of artificial intelligence in pathology. J Natl Cancer Inst 115(6):608–612PubMedPubMedCentralCrossRef

52.

Saldanha OL et al (2022) Swarm learning for decentralized artificial intelligence in cancer histopathology. Nat Med 28(6):1232–1239PubMedPubMedCentralCrossRef

53.

Warnat-Herresthal S et al (2021) Swarm Learning for decentralized and confidential clinical machine learning. Nature 594(7862):265–270PubMedPubMedCentralCrossRef

54.

Kleppe A et al (2021) Designing deep learning studies in cancer diagnostics. Nat Rev Cancer 21(3):199–211PubMedCrossRef

55.

Allen TC (2019) Regulating artificial intelligence for a successful pathology future. Arch Pathol Lab Med 143(10):1175–1179PubMedCrossRef

56.

Beck S, Faber M, Gerndt S (2023) Rechtliche Aspekte des Einsatzes von KI und Robotik in Medizin und Pflege. Ethik Medizin 35(2):247–263CrossRef

57.

Berbis MA et al (2023) Computational pathology in 2030: a delphi study forecasting the role of AI in pathology within the next decade. eBioMedicine 88:104427PubMedPubMedCentralCrossRef

58.

Chen J et al (2019) Current status of artificial intelligence applications in urology and their potential to influence clinical practice. BJU Int 124(4):567–577PubMedCrossRef

59.

Aeffner F et al (2016) Commentary: roles for pathologists in a high-throughput image analysis team. Toxicol Pathol 44(6):825–834PubMedCrossRef

60.

Goldenberg SL, Nir G, Salcudean SE (2019) A new era: artificial intelligence and machine learning in prostate cancer. Nat Rev Urol 16(7):391–403PubMedCrossRef

61.

Laurinavicius A et al (2012) Digital image analysis in pathology: benefits and obligation. Anal Cell Pathol 35(2):75–78CrossRef

62.

Howard FM et al (2021) The impact of site-specific digital histology signatures on deep learning model accuracy and bias. Nat Commun 12(1):4423PubMedPubMedCentralCrossRef

63.

Howard FM, Kather JN, Pearson AT (2023) Multimodal deep learning: an improvement in prognostication or a reflection of batch effect? Cancer Cell 41(1):5–6PubMedCrossRef

64.

Gurcan MN et al (2009) Histopathological image analysis: a review. IEEE Rev Biomed Eng 2:147–171PubMedPubMedCentralCrossRef

65.

Granter SR, Beck AH, Papke DJ Jr. (2017) AlphaGo, deep learning, and the future of the human microscopist. Arch Pathol Lab Med 141(5):619–621PubMedCrossRef

66.

Lipkova J et al (2022) Artificial intelligence for multimodal data integration in oncology. Cancer Cell 40(10):1095–1110PubMedPubMedCentralCrossRef

67.

Schulz S et al (2021) Multimodal deep learning for prognosis prediction in renal cancer. Front Oncol 11:788740PubMedPubMedCentralCrossRef

Titel: Künstliche Intelligenz in der Pathologie: Status quo und Zukunftsperspektiven
verfasst von: Dr. Sebastian Foersch
Stefan Schulz, M.Sc.
Publikationsdatum: 23.04.2024
Verlag: Springer Medizin
Schlagwörter: Künstliche Intelligenz
Pathologie
Biomarker
Erschienen in: best practice onkologie / Ausgabe 5/2024
Print ISSN: 0946-4565
Elektronische ISSN: 1862-8559
DOI: https://doi.org/10.1007/s11654-024-00572-6

Springer Medizin

Künstliche Intelligenz in der Pathologie: Status quo und Zukunftsperspektiven

Zusammenfassung

Neu im Fachgebiet Onkologie

Erhöhte Mortalität bei postpartalem Brustkrebs

Hypertherme Chemotherapie bietet Chance auf Blasenerhalt

Ein Drittel der jungen Ärztinnen und Ärzte erwägt abzuwandern

Bessere Prognose mit links- statt rechtsseitigem Kolon-Ca.

Update Onkologie

Springer Medizin

Zusammenfassung

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

Weitere Artikel der Ausgabe 5/2024

Mastozytose – eine häufig unerkannte Erkrankung

„Tsunami der Immuntherapie eröffnet neue therapeutische Möglichkeiten beim Multiplen Myelom“

Altersheterogene Teams führen

onko-aktuell

Suizidalität in der Onkologie

Editorial

Neu im Fachgebiet Onkologie

Erhöhte Mortalität bei postpartalem Brustkrebs

Hypertherme Chemotherapie bietet Chance auf Blasenerhalt

Ein Drittel der jungen Ärztinnen und Ärzte erwägt abzuwandern

Bessere Prognose mit links- statt rechtsseitigem Kolon-Ca.

Update Onkologie