AG Digitale Pathologie & Künstliche Intelligenz

In der pathologischen Routinediagnostik wird tagtäglich eine beträchtliche Menge an medizinischen Daten generiert. Bei diesen Daten handelt es sich überwiegend um Bilddaten aus histopathologischen und immunhistochemischen Färbungen – aber auch anderen Messwerte , wie z. B. die Ergebnisse molekularpathologischer Verfahren, werden zunehmend erhoben. Die angefertigten histopathologischen Schnittpräparate werden dabei von Patholog*innen analog, mittels Lichtmikroskopie, begutachtet und dann eine Diagnose gestellt. Mit Hilfe von sogenannten Whole-Slide-Scannern besteht die Möglichkeit, histopathologische Schnittpräparate zu digitalisieren und damit Verfahren der künstlichen Intelligenz  (KI) und des maschinellen Lernens (ML) zugänglich zu machen. Eine potentielle Anwendung besteht darin, dass man KI Modelle auf die Erkennung ganz bestimmter Gewebetypen, wie z. B. bösartige Tumorgewebe hin trainiert. Integriert man ein solches Modell z. B. in ein Clinical Decision Support System (CDSS) könnte dies Patholog*innen genauer, fehlerfreier und schneller diagnostizieren lassen. So könnte der Workload ggf. reduziert werden und auch schwierige Diagnosen (z. B. Weichteilsarkome) leichter gestellt werden. Aktuelle Arbeiten zu diesem Thema (mit Kooperationen):

• Heinz CN, Echle A, Foersch S, Bychkov A, Kather JN. The future of artificial intelligence in digital pathology - results of a survey across stakeholder groups. Histopathology. 2022 Jun;80(7):1121-1127. doi: 10.1111/his.14659. Epub 2022 May 11. PMID: 35373378.
• Foersch S, Eckstein M, Wagner DC, Gach F, Woerl AC, Geiger J, Glasner C, Schelbert S, Schulz S, Porubsky S, Kreft A, Hartmann A, Agaimy A, Roth W. Deep learning for diagnosis and survival prediction in soft tissue sarcoma. Ann Oncol. 2021 Sep;32(9):1178-1187. doi: 10.1016/j.annonc.2021.06.007. Epub 2021 Jun 15. PMID: 34139273.
• Försch S, Klauschen F, Hufnagl P, Roth W. Artificial Intelligence in Pathology. Dtsch Arztebl Int. 2021 Mar 26;118(12):194-204. doi: 10.3238/arztebl.m2021.0011. PMID: 34024323; PMCID: PMC8278129.

KI in der Prognosevorhersage

Neben einer Unterstützung in der Diagnosestelllung könnten mit Hilfe von KI und ML ggf. auch noch weitere klinisch relevante Endpunkte an pathologischen Daten vorher gesagt werden. So könnte alleine am Aussehen der Zellen und Gewebe unter dem Mikroskop eine Abschätzung erfolgen, wie z. B. der Krankheitsverlauf von Patient*innen mit einer bösartigen Tumorerkrankung sein könnte. Komplexe KI Modelle haben dabei in der Prognosevorhersage bereits erste, vielversprechende Ergebnisse erzielen können – insbesondere, wenn man verschiedene Datentypen (Klinisch-Radiologische Informationen, Informationen über die Tumorimmunmikroumgebung, etc.) mit einander kombiniert. Dabei kann man das Modell entweder direkt auf den jeweiligen Überlebensparameter hin trainieren (z. B. 3 Jahre Überlebensrate, C-Index, etc.) oder aber bestimmte Surrogatparameter versuchen vorherzusagen.  Aktuelle Arbeiten zu diesem Thema (mit Kooperationen):

• Jiang X, Hoffmeister M, Brenner H, Muti HS, Yuan T, Foersch S, West NP, Brobeil A, Jonnagaddala J, Hawkins N, Ward RL, Brinker TJ, Saldanha OL, Ke J, Müller W, Grabsch HI, Quirke P, Truhn D, Kather JN. End-to-end prognostication in colorectal cancer by deep learning: a retrospective, multicentre study. Lancet Digit Health. 2024 Jan;6(1):e33-e43. doi: 10.1016/S2589-7500(23)00208-X. Erratum in: Lancet Digit Health. 2024 Jul;6(7):e445. doi: 10.1016/S2589-7500(24)00121-3. PMID: 38123254.
• Foersch S, Glasner C, Woerl AC, Eckstein M, Wagner DC, Schulz S, Kellers F, Fernandez A, Tserea K, Kloth M, Hartmann A, Heintz A, Weichert W, Roth W, Geppert C, Kather JN, Jesinghaus M. Multistain deep learning for prediction of prognosis and therapy response in colorectal cancer. Nat Med. 2023 Feb;29(2):430-439. doi: 10.1038/s41591-022-02134-1. Epub 2023 Jan 9. PMID: 36624314.
• Schulz S, Woerl AC, Jungmann F, Glasner C, Stenzel P, Strobl S, Fernandez A, Wagner DC, Haferkamp A, Mildenberger P, Roth W, Foersch S. Multimodal Deep Learning for Prognosis Prediction in Renal Cancer. Front Oncol. 2021 Nov 24;11:788740. doi: 10.3389/fonc.2021.788740. PMID: 34900744; PMCID: PMC8651560.
• Foersch S, Eckstein M, Wagner DC, Gach F, Woerl AC, Geiger J, Glasner C, Schelbert S, Schulz S, Porubsky S, Kreft A, Hartmann A, Agaimy A, Roth W. Deep learning for diagnosis and survival prediction in soft tissue sarcoma. Ann Oncol. 2021 Sep;32(9):1178-1187. doi: 10.1016/j.annonc.2021.06.007. Epub 2021 Jun 15. PMID: 34139273.

Auch weitere Parameter lassen sich aus der Kombination pathologischer Daten und einem intelligenten Algorithmus ggf. vorhersagen. Über die enge Verknüpfung von Genotyp und Phänotyp könnten sich genetische und epigenetische Alterationen direkt in der Zell- und Gewebsmorphologie widerspiegeln. Dies könnte wiederum mit Hilfe von KI und ML detektiert werden. So wäre eine Vorhersage molekularpathologischer Veränderungen alleine an konventionellen histopathologischen Schnittpräparaten mit KI möglich. Erste Studien konnten dies für eine Mikrosatelliteninstabilität (MSI) oder aber molekulare Subtypen zeigen. Eine solche Technologie könnte außerdem dazu genutzt werden, direkt oder indirekt das Ansprechen auf eine molekular gezielte Therapie vorherzusagen. So wissen wir z. B., dass sowohl MSI als auch molekulare Subtypen prädiktiv für verschiedene Tumortherapien sein können. Aktuelle Arbeiten zu diesem Thema (mit Kooperationen):

• Bannier PA, Saillard C, Mann P, Touzot M, Maussion C, Matek C, Klümper N, Breyer J, Wirtz R, Sikic D, Schmitz-Dräger B, Wullich B, Hartmann A, Försch S, Eckstein M. AI allows pre-screening of FGFR3 mutational status using routine histology slides of muscle-invasive bladder cancer. Nat Commun. 2024 Dec 30;15(1):10914. doi: 10.1038/s41467-024-55331-6. PMID: 39738108; PMCID: PMC11685973.
• Saldanha OL, Muti HS, Grabsch HI, Langer R, Dislich B, Kohlruss M, Keller G, van Treeck M, Hewitt KJ, Kolbinger FR, Veldhuizen GP, Boor P, Foersch S, Truhn D, Kather JN. Direct prediction of genetic aberrations from pathology images in gastric cancer with swarm learning. Gastric Cancer. 2022 Oct 20. doi: 10.1007/s10120-022-01347-0. Epub ahead of print. PMID: 36264524.
• Cifci D, Foersch S, Kather JN. Artificial intelligence to identify genetic alterations in conventional histopathology. J Pathol. 2022 Jul;257(4):430-444. doi: 10.1002/path.5898. Epub 2022 Apr 21. PMID: 35342954.
• Saldanha OL, Quirke P, West NP, James JA, Loughrey MB, Grabsch HI, Salto- Tellez M, Alwers E, Cifci D, Ghaffari Laleh N, Seibel T, Gray R, Hutchins GGA, Brenner H, van Treeck M, Yuan T, Brinker TJ, Chang-Claude J, Khader F, Schuppert A, Luedde T, Trautwein C, Muti HS, Foersch S, Hoffmeister M, Truhn D, Kather JN. Swarm learning for decentralized artificial intelligence in cancer histopathology. Nat Med. 2022 Jun;28(6):1232-1239. doi: 10.1038/s41591-022-01768-5. Epub 2022 Apr 25. PMID: 35469069; PMCID: PMC9205774.
• Woerl AC, Eckstein M, Geiger J, Wagner DC, Daher T, Stenzel P, Fernandez A, Hartmann A, Wand M, Roth W, Foersch S. Deep Learning Predicts Molecular Subtype of Muscle-invasive Bladder Cancer from Conventional Histopathological Slides. Eur Urol. 2020 Aug;78(2):256-264. doi: 10.1016/j.eururo.2020.04.023. Epub 2020 Apr 27. PMID: 32354610.