Ein bedeutendes Kooperationsprojekt zwischen dem Universitätsklinikum Erlangen (UKER) und dem Gravina Hospital in Caltagirone, Italien, zielt darauf ab, Künstliche Intelligenz (KI) in die klinische Diagnostik der Pathologie zu integrieren. Laut FAU wurden die Ergebnisse in der Fachzeitschrift Genome Medicine veröffentlicht. Mit jährlich über 1,4 Millionen Krebserkrankungen in Deutschland gewinnen Gewebeuntersuchungen nach Tumorentfernung eine entscheidende Rolle. Hier kommen KI-Algorithmen ins Spiel, die Pathologen bei der Identifikation von Krebsarten und der Beurteilung von Gewebeproben unterstützen können.
Aktuell erweist sich die Nutzung von KI in der Pathologie als eingeschränkt, da viele Untersuchungen am Mikroskop stattfinden. Das Gravina Hospital hat jedoch einen Schritt in die Zukunft gewagt und digitalisiert routinemäßig alle Gewebeschnitte. Diese Maßnahme verbessert die Verfügbarkeit digitaler Daten und ermöglicht die Entwicklung eines Verfahrens zur automatischen Integration der KI-Analyse in die Arbeitsabläufe der Pathologielabore.
Digitalisierung und KI in der Pathologie
Bei der Diagnose werden Gewebeproben in hauchfeine Schnitte verarbeitet und digitalisiert. Die Analyse erfolgt dann am Computermonitor, wobei die KI-Analyse automatisch aktiviert wird, sobald neue Scans im Labor-Informationssystem (LIS) eingehen. Pathologen haben zudem die Möglichkeit, „On-Demand“-Analysen anzufordern. Die Ergebnisse werden als Heatmaps im LIS visualisiert, wodurch krebsartige Regionen hervorgehoben werden. Ziel des Projekts ist die Verbesserung der Genauigkeit der Algorithmen sowie die Förderung der Integration von Deep-Learning-Modellen in andere Pathologie-Abteilungen.
Technologische Innovationen beschleunigen die Krebsdiagnose erheblich, insbesondere durch die Digitalisierung histopathologischer Schnitte und den Einsatz von Deep Learning. Eine Analyse hebt die Herausforderungen und Chancen hervor, die mit diesen Entwicklungen einhergehen. Die Verwendung von tiefen neuronalen Netzen (Deep Learning) hat das Potenzial, die diagnostische Genauigkeit zu verbessern und die Fehlerquote bei Krebsdiagnosen zu verringern. Zum Beispiel wird ein zweistufiges Deep-Learning-Modell für die Grading von Prostatakrebs angeführt, das eine Genauigkeit von 0,7 im Vergleich zu 0,61 bei menschlichen Pathologen erreicht hat.
Die Rolle von GNNs in der digitalen Pathologie
Besonders erwähnenswert ist die Entwicklung von Graph Neural Networks (GNNs), die sich als vielversprechende Alternative für die Merkmalsextraktion und Interpretierbarkeit in der digitalen Pathologie erweisen. Diese Netzwerke modellieren die Beziehungen zwischen Objekten und haben bereits erfolgreich Anwendung in verschiedenen Bereichen gefunden, einschließlich der Vorhersage molekularer Eigenschaften. Eine Untersuchung hat gezeigt, dass GNNs eine Genauigkeit von 97% bei der Grading-Einstufung von kolorektalem Krebs erzielen können, was ihre Überlegenheit im Vergleich zu traditionellen Ansätzen unterstreicht.
Die Implementierung von KI in die Pathologie ist nicht nur eine technische Herausforderung, sondern auch eine Notwendigkeit. Angesichts der steigenden Krebserkrankungen, der sinkenden Anzahl an Pathologen und der steigenden Fallzahlen besteht ein dringender Bedarf an automatisierter Interpretation von digitalisierten Pathologiebildern. Fraunhofer IKS hebt hervor, dass KI große Datenmengen schnell kombinieren und analysieren kann, was zu einer individuellen Therapie und frühzeitigen Krankheitsdiagnosen führen kann.
Insgesamt zeigt sich, dass die Verbindung von Digitalisierung und KI nicht nur die Effizienz und Genauigkeit in der Pathologie verbessert, sondern auch zu innovativen Ansätzen in der Krebsdiagnose führen kann.
