Die Interpretation histopathologischer Bilder erfolgt traditionell qualitativ und subjektiv. Quantitative Bildanalyse (QIA) und künstliche Intelligenz (KI) verändern die Pathologie, indem sie reproduzierbare, objektive Messungen liefern, die das menschliche Fachwissen ergänzen.
Prinzipien der Bildanalyse
QIA beginnt mit der Bildvorverarbeitung – Farbnormalisierung (Standardisierung des Erscheinungsbilds von Flecken in verschiedenen Labors), Hintergrundkorrektur und Artefaktentfernung. Segmentierung unterteilt das Bild in sinnvolle Bereiche: Gewebe vs. Hintergrund, Kerne vs. Zytoplasma, Tumor vs. Stroma, invasiv vs. in situ. Zu den Segmentierungsalgorithmen gehören Schwellenwerte (Trennen von Objekten nach Pixelintensität), Watershed-Algorithmen (Trennen sich berührender Kerne) und Deep-Learning-basierte Segmentierung (auf manuell annotierten Bildern trainierte Faltungs-Neuronale Netze).
Merkmalsextraktion quantifiziert morphologische Eigenschaften: Kerngröße, Form, Textur und Chromatinverteilung; architektonische Merkmale wie Drüsenbildung und Röhrendichte; und Färbeintensität für IHC-Marker. Objektzählung zählt mitotische Figuren, positive Zellen und Lymphozyten.
Anwendungen in der IHC-Quantifizierung
QIA wird am häufigsten für die IHC-Bewertung eingesetzt. Der Ki-67-Proliferationsindex wird als Prozentsatz der DAB-positiven Kerne in einem ausgewählten Hotspot oder im gesamten Tumorbereich gemessen. HER2 Die Membranfärbung wird durch Quantifizierung der Vollständigkeit und Intensität der Umfangsfärbung bewertet. ER/PR-Prozentsatz und -Intensität werden automatisch berechnet, wodurch die Variabilität zwischen Beobachtern verringert wird.
Digitale IHC-Algorithmen analysieren Multiplex-Immunfluoreszenzbilder, quantifizieren jede Zelle gleichzeitig auf mehrere Marker und kartieren räumliche Beziehungen zwischen Immunzellen und Tumorzellen. Dies ermöglicht die Berechnung des Immunscores (CD3+- und CD8+-T-Zelldichten im Tumorzentrum und am invasiven Rand) und die Bewertung von Immunausschlussmustern.
KI für H&E-Diagnose
Deep-Learning-Algorithmen, insbesondere Convolutional Neural Networks (CNNs) und Vision Transformers, können Geweberegionen auf H&E-Objektträgern in diagnostische Kategorien klassifizieren. Veröffentlichte Algorithmen haben eine Genauigkeit auf Pathologenniveau für Prostatakrebs (Gleason-Einstufung), Brustkrebs (Wächterlymphknoten-Metastasenerkennung), Lungenkrebs-Subtypisierung und Magenkrebserkennung erreicht.
Schwach überwachtes Lernen verwendet nur Beschriftungen auf Folienebene (z. B. „Krebs“ oder „kein Krebs“) anstelle von Anmerkungen auf Pixelebene und ermöglicht so das Algorithmustraining für große Datensätze aus Pathologiearchiven. Multiple-Instance-Learning (MIL) behandelt jede Folie als Sammlung von Bildfeldern und lernt, die diagnostisch relevanten Felder ohne explizite Anmerkung zu identifizieren.
Algorithmusvalidierung und behördliche Genehmigung
Für den klinischen Einsatz vorgesehene KI-Algorithmen müssen einer strengen Validierung unterzogen werden. Analytische Validierung misst die Leistung anhand eines Referenzstandards (z. B. Übereinstimmung mit dem Konsens eines Pathologenexperten). Klinische Validierung zeigt, dass der Algorithmus die Patientenergebnisse oder den klinischen Arbeitsablauf verbessert. Die FDA hat KI-Algorithmen für die Erkennung von Prostatakrebs, das Screening auf Brustkrebsmetastasen und das Screening der Zervixzytologie zugelassen. In Europa erfordert die CE-IVD-Kennzeichnung die Konformität mit der In-Vitro-Diagnostik-Verordnung (IVDR). Algorithmen erfordern eine kontinuierliche Überwachung auf Leistungsabweichungen aufgrund von Änderungen bei Färbeprotokollen, Scannertypen oder Patientenpopulationen.
Herausforderungen bei der Implementierung
Datenheterogenität ist die größte Herausforderung – Algorithmen, die auf den Objektträgern einer Institution trainiert wurden (Färbung, Scanner, Population), funktionieren auf Objektträgern einer anderen Institution oft schlecht. Domänenanpassungstechniken versuchen, Algorithmen standortübergreifend zu verallgemeinern. Erklärbarkeit – zu verstehen, warum ein Algorithmus eine bestimmte Entscheidung getroffen hat – ist für die klinische Akzeptanz von entscheidender Bedeutung, für Deep-Learning-Modelle jedoch schwierig. Workflow-Integration erfordert, dass KI-Ergebnisse zum richtigen Zeitpunkt und in einem verwendbaren Format an den Pathologen übermittelt werden, typischerweise als Anmerkungen oder Bewertungen im Whole Slide Image Viewer. Kosten – Ganzdiascanner, GPU-Server und Softwarelizenzen erfordern erhebliche Kapitalinvestitionen; Eine Erstattung der KI-gestützten Diagnose ist in den meisten Gesundheitssystemen noch nicht etabliert.
Die Rolle des Pathologen
KI ergänzt den Pathologen, statt ihn zu ersetzen. Algorithmen zeichnen sich durch repetitive Aufgaben (Screening auf Metastasen, Zählen von Mitosen) und Quantifizierung (Ki-67-Index, PD-L1-Score) aus – Arbeiten, die zeitaufwändig sind und einer Variabilität zwischen Beobachtern unterliegen. Der Mensch ist nach wie vor von entscheidender Bedeutung für die Integration morphologischer Befunde in den klinischen Kontext, für das Erkennen seltener Einheiten, die nicht in Trainingsdaten enthalten sind, für die Beurteilung unklarer Fälle und für die Übermittlung der Ergebnisse an Kliniker. Die Partnerschaft zwischen Pathologe und KI zielt darauf ab, die Genauigkeit, Effizienz und Reproduzierbarkeit zu verbessern und gleichzeitig die für die Patientensicherheit wesentlichen Qualitätsstandards aufrechtzuerhalten.
