Die Interpretation histopathologischer Bilder war traditionell qualitativ und subjektiv. Die quantitative Bildanalyse (QIA) und künstliche Intelligenz (KI) transformieren die Pathologie durch reproduzierbare, objektive Messungen.

Prinzipien der Bildanalyse

Die QIA beginnt mit Bildvorverarbeitung — Farbnormalisierung, Hintergrundkorrektur und Artefaktentfernung. Segmentierung unterteilt das Bild in bedeutungsvolle Regionen: Gewebe vs. Hintergrund, Zellkerne vs. Zytoplasma, Tumor vs. Stroma. Merkmalsextraktion quantifiziert morphologische Eigenschaften.

Anwendungen in der IHC-Quantifizierung

Die QIA ist am weitesten für die IHC-Bewertung verbreitet. Der Ki-67-Proliferationsindex wird als Prozentsatz DAB-positiver Kerne gemessen. Die HER2 Membranfärbung wird durch Quantifizierung von Vollständigkeit und Intensität bewertet.

KI für die H&E-Diagnose

Deep-Learning-Algorithmen können Geweberegionen auf H&E-Schnitten in diagnostische Kategorien einteilen. Publizierte Algorithmen haben Pathologen-Niveau bei der Prostatakrebs- (Gleason-Graduierung), Brustkrebs- und Lungenkrebsdiagnostik erreicht.

Algorithmus-Validierung

KI-Algorithmen müssen einer analytischen Validierung (Leistung gegen Referenzstandard) und klinischen Validierung (Verbesserung der Patientenergebnisse) unterzogen werden. Die FDA hat Algorithmen für die Prostatakrebsdetektion und das Brustkrebs-Screening zugelassen.

Die Rolle der Pathologin/des Pathologen

KI ergänzt, ersetzt nicht die Pathologin oder den Pathologen. Algorithmen excellieren bei repetitiven Aufgaben (Screening auf Metastasen, Zählen von Mitosen) und Quantifizierung. Der Mensch bleibt unverzichtbar für die Integration morphologischer Befunde mit dem klinischen Kontext und die Kommunikation der Ergebnisse.