Skip to main content
Erschienen in: Die Nephrologie 6/2022

09.08.2022 | Pathologie | Leitthema

Automatische Bildanalyse und künstliche Intelligenz in der Nephropathologie

verfasst von: Roman D. Bülow, David L. Hölscher, Peter Boor, MD, PhD

Erschienen in: Die Nephrologie | Ausgabe 6/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Die digitale Transformation der Pathologie durch die weite Verbreitung von sog. Whole-slide-Scannern bietet zahlreiche Möglichkeiten für die Nephropathologie, insbesondere hinsichtlich der Implementierung von Computerassistenz. Aktuell werden intensiv die Möglichkeiten von Systemen, die auf der Nutzung von Deep Learning, einer speziellen Technik der Informationsverarbeitung, beruhen, erforscht.

Fragestellung

Ziel ist die Ermittlung des gegenwärtigen Standes der Forschung hinsichtlich Anwendungen von Deep-Learning-Methoden zur Bildanalyse in der Nephropathologie.

Material und Methoden

Literaturrecherche im Web of Science (WOS) und in Pubmed. Für Abbildung 1 wurde die folgende Suchabfrage im WOS genutzt: ALL=(Digital Pathology AND AI OR Deep Learning OR Machine Learning).

Ergebnisse

Es liegen zahlreiche Anwendungen von Deep-Learning-basierten Methoden zur Unterstützung in der Nephropathologie vor. Diese fokussieren im Wesentlichen auf die Segmentierung und Quantifizierung der Nierenhistologie, wobei zunehmend auch die diagnostische Klassifikation und die Generierung synthetischer Daten erforscht werden. Die Translation dieser Systeme in den diagnostischen Alltag ist gegenwärtig noch nicht erfolgt. Es fehlt dazu beispielsweise an prospektiver Evidenz, die den Nutzen dieser Methoden in der klinischen Versorgung darlegt.

Diskussion

Die Implementierung der digitalen Nephropathologie mit Assistenz durch auf Deep Learning basierenden Methoden hat ein großes Potenzial. Die translationale Lücke sollte in Zukunft durch multizentrische, prospektive, interdisziplinär durchgeführte Studien gefüllt werden.
Literatur
1.
Zurück zum Zitat Abels E, Pantanowitz L, Aeffner F et al (2019) Computational pathology definitions, best practices, and recommendations for regulatory guidance: a white paper from the Digital Pathology Association. J Pathol 249:286–294CrossRefPubMedPubMedCentral Abels E, Pantanowitz L, Aeffner F et al (2019) Computational pathology definitions, best practices, and recommendations for regulatory guidance: a white paper from the Digital Pathology Association. J Pathol 249:286–294CrossRefPubMedPubMedCentral
3.
Zurück zum Zitat Bajema IM, Wilhelmus S, Alpers CE et al (2018) Revision of the International Society of Nephrology/Renal Pathology Society classification for lupus nephritis: clarification of definitions, and modified National Institutes of Health activity and chronicity indices. Kidney Int 93:789–796CrossRefPubMed Bajema IM, Wilhelmus S, Alpers CE et al (2018) Revision of the International Society of Nephrology/Renal Pathology Society classification for lupus nephritis: clarification of definitions, and modified National Institutes of Health activity and chronicity indices. Kidney Int 93:789–796CrossRefPubMed
4.
Zurück zum Zitat 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 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
5.
Zurück zum Zitat Bouteldja N, Klinkhammer BM, Schlaich T et al (2021) Improving unsupervised stain-to-stain translation using self-supervision and meta-learning. arXiv [eess.IV] Bouteldja N, Klinkhammer BM, Schlaich T et al (2021) Improving unsupervised stain-to-stain translation using self-supervision and meta-learning. arXiv [eess.IV]
6.
Zurück zum Zitat 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 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
9.
Zurück zum Zitat Graham S, Vu QD, Jahanifar M et al (2022) One model is all you need: multi-task learning enables simultaneous histology image segmentation and classification. arXiv [eess.IV] Graham S, Vu QD, Jahanifar M et al (2022) One model is all you need: multi-task learning enables simultaneous histology image segmentation and classification. arXiv [eess.IV]
10.
Zurück zum Zitat de Haan K, Zhang Y, Zuckerman JE et al (2021) Deep learning-based transformation of H&E stained tissues into special stains. Nat Commun 12:4884CrossRefPubMedPubMedCentral de Haan K, Zhang Y, Zuckerman JE et al (2021) Deep learning-based transformation of H&E stained tissues into special stains. Nat Commun 12:4884CrossRefPubMedPubMedCentral
11.
Zurück zum Zitat 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 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.
Zurück zum Zitat 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 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.
Zurück zum Zitat Hermsen M, Volk V, Bräsen JH et al (2021) Quantitative assessment of inflammatory infiltrates in kidney transplant biopsies using multiplex tyramide signal amplification and deep learning. Lab Invest 101:970–982CrossRefPubMedPubMedCentral Hermsen M, Volk V, Bräsen JH et al (2021) Quantitative assessment of inflammatory infiltrates in kidney transplant biopsies using multiplex tyramide signal amplification and deep learning. Lab Invest 101:970–982CrossRefPubMedPubMedCentral
14.
Zurück zum Zitat He X, Zhao K, Chu X (2021) AutoML: A survey of the state-of-the-art. Knowl Based Syst 212:106622CrossRef He X, Zhao K, Chu X (2021) AutoML: A survey of the state-of-the-art. Knowl Based Syst 212:106622CrossRef
16.
Zurück zum Zitat Homeyer A, Geißler C, Schwen LO et al (2022) Recommendations on test datasets for evaluating AI solutions in pathology. arXiv [eess.IV] Homeyer A, Geißler C, Schwen LO et al (2022) Recommendations on test datasets for evaluating AI solutions in pathology. arXiv [eess.IV]
18.
Zurück zum Zitat 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 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
19.
Zurück zum Zitat 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 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
22.
Zurück zum Zitat Märkl B, Füzesi L, Huss R et al (2021) Number of pathologists in Germany: comparison with European countries, USA, and Canada. Virchows Arch 478:335–341CrossRefPubMed Märkl B, Füzesi L, Huss R et al (2021) Number of pathologists in Germany: comparison with European countries, USA, and Canada. Virchows Arch 478:335–341CrossRefPubMed
23.
Zurück zum Zitat Roufosse C, Simmonds N, Clahsen-van Groningen M et al (2018) A 2018 reference guide to the Banff classification of renal allograft pathology. Transplantation 102:1795–1814CrossRefPubMedPubMedCentral Roufosse C, Simmonds N, Clahsen-van Groningen M et al (2018) A 2018 reference guide to the Banff classification of renal allograft pathology. Transplantation 102:1795–1814CrossRefPubMedPubMedCentral
24.
Zurück zum Zitat Sato N, Uchino E, Kojima R et al (2021) Evaluation of kidney histological images using unsupervised deep learning. Kidney Int Rep 6:2445–2454CrossRefPubMedPubMedCentral Sato N, Uchino E, Kojima R et al (2021) Evaluation of kidney histological images using unsupervised deep learning. Kidney Int Rep 6:2445–2454CrossRefPubMedPubMedCentral
25.
Zurück zum Zitat Schmitt M, Maron RC, Hekler A et al (2021) Hidden variables in deep learning digital pathology and their potential to cause batch effects: prediction model study. J Med Internet Res 23:e23436CrossRefPubMedPubMedCentral Schmitt M, Maron RC, Hekler A et al (2021) Hidden variables in deep learning digital pathology and their potential to cause batch effects: prediction model study. J Med Internet Res 23:e23436CrossRefPubMedPubMedCentral
27.
Zurück zum Zitat Steiner DF, P‑HC C, Mermel CH (2021) Closing the translation gap: AI applications in digital pathology. Biochim Biophys Acta Rev Cancer 1875:188452CrossRefPubMed Steiner DF, P‑HC C, Mermel CH (2021) Closing the translation gap: AI applications in digital pathology. Biochim Biophys Acta Rev Cancer 1875:188452CrossRefPubMed
28.
Zurück zum Zitat Yamaguchi R, Kawazoe Y, Shimamoto K et al (2021) Glomerular classification using convolutional neural networks based on defined annotation criteria and concordance evaluation among clinicians. Kidney Int Rep 6:716–726CrossRefPubMed Yamaguchi R, Kawazoe Y, Shimamoto K et al (2021) Glomerular classification using convolutional neural networks based on defined annotation criteria and concordance evaluation among clinicians. Kidney Int Rep 6:716–726CrossRefPubMed
29.
Zurück zum Zitat Zheng Y, Cassol CA, Jung S et al (2021) Deep-learning-driven quantification of interstitial fibrosis in digitized kidney biopsies. Am J Pathol 191:1442–1453CrossRefPubMedPubMedCentral Zheng Y, Cassol CA, Jung S et al (2021) Deep-learning-driven quantification of interstitial fibrosis in digitized kidney biopsies. Am J Pathol 191:1442–1453CrossRefPubMedPubMedCentral
Metadaten
Titel
Automatische Bildanalyse und künstliche Intelligenz in der Nephropathologie
verfasst von
Roman D. Bülow
David L. Hölscher
Peter Boor, MD, PhD
Publikationsdatum
09.08.2022
Verlag
Springer Medizin
Erschienen in
Die Nephrologie / Ausgabe 6/2022
Print ISSN: 2731-7463
Elektronische ISSN: 2731-7471
DOI
https://doi.org/10.1007/s11560-022-00598-3

Weitere Artikel der Ausgabe 6/2022

Die Nephrologie 6/2022 Zur Ausgabe

Mitteilungen des BDI

Mitteilungen des BDI

Leitlinien kompakt für die Innere Medizin

Mit medbee Pocketcards sicher entscheiden.

Seit 2022 gehört die medbee GmbH zum Springer Medizin Verlag

Mehr Lebenszeit mit Abemaciclib bei fortgeschrittenem Brustkrebs?

24.05.2024 Mammakarzinom Nachrichten

In der MONARCHE-3-Studie lebten Frauen mit fortgeschrittenem Hormonrezeptor-positivem, HER2-negativem Brustkrebs länger, wenn sie zusätzlich zu einem nicht steroidalen Aromatasehemmer mit Abemaciclib behandelt wurden; allerdings verfehlte der numerische Zugewinn die statistische Signifikanz.

ADT zur Radiatio nach Prostatektomie: Wenn, dann wohl länger

24.05.2024 Prostatakarzinom Nachrichten

Welchen Nutzen es trägt, wenn die Strahlentherapie nach radikaler Prostatektomie um eine Androgendeprivation ergänzt wird, hat die RADICALS-HD-Studie untersucht. Nun liegen die Ergebnisse vor. Sie sprechen für länger dauernden Hormonentzug.

„Überwältigende“ Evidenz für Tripeltherapie beim metastasierten Prostata-Ca.

22.05.2024 Prostatakarzinom Nachrichten

Patienten mit metastasiertem hormonsensitivem Prostatakarzinom sollten nicht mehr mit einer alleinigen Androgendeprivationstherapie (ADT) behandelt werden, mahnt ein US-Team nach Sichtung der aktuellen Datenlage. Mit einer Tripeltherapie haben die Betroffenen offenbar die besten Überlebenschancen.

So sicher sind Tattoos: Neue Daten zur Risikobewertung

22.05.2024 Melanom Nachrichten

Das größte medizinische Problem bei Tattoos bleiben allergische Reaktionen. Melanome werden dadurch offensichtlich nicht gefördert, die Farbpigmente könnten aber andere Tumoren begünstigen.

Update Innere Medizin

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