Zusammenfassung
Die nichtalkoholische Fettlebererkrankung (NAFLD) ist eine der häufigsten chronischen Lebererkrankungen mit steigender Inzidenz in den Industriestaaten. Damit einhergehend sind eine erhöhte Prävalenz für eine NAFLD-assoziierte Leberzirrhose und das gesteigerte Risiko für die Entwicklung eines hepatozellulären Karzinoms. Goldstandard in der Diagnostik ist die Leberbiopsie. Die histopathologische Evaluierung erfolgt mithilfe semiquantitativer Scores. Zur Optimierung der Standardisierung und Quantifizierung der bestehenden Scores könnten in den nächsten Jahren Verfahren, die sich künstlicher Intelligenz bedienen, wie „Deep-learning“-Modelle zum Einsatz kommen. Einsatzgebiete könnten die Ergänzung der konventionellen histopathologischen Diagnostik, die Identifizierung neuer prädiktiver Parameter zur Prognoseabschätzung und die Vorhersage eines möglichen Therapieansprechens sein.
Abstract
Nonalcoholic fatty liver disease (NAFLD) is one of the most frequent chronic liver diseases with a rising incidence in industrial countries. This is accompanied by an increased prevalence for NAFLD-associated liver cirrhosis and an increased risk for developing hepatocellular carcinoma. The current gold standard in the diagnostics is a liver biopsy. The histopathological evaluation is performed through semiquantitative scoring. To optimize the standardization and quantification of the existing scoring systems, in the coming years procedures with artificial intelligence, such as deep learning models could be used. Fields of application could be the supplementation of conventional histopathological diagnostics, the identification of new predictive parameters for estimating the prognosis and the prediction of a possible response to treatment.
Abbreviations
- AIH:
-
Autoimmunhepatitis
- ALD:
-
Alkoholische Lebererkrankung
- ASH:
-
Alkoholische Steatohepatitis
- CASH:
-
Chemotherapieassoziierte Steatohepatitis
- CED:
-
Chronisch-entzündliche Darmerkrankung
- CNN :
-
„Convolutional neuronal network“
- FLIP:
-
„Fatty liver inhibition of progression“
- HE-Färbung:
-
Hämatoxylin-Eosin-Färbung
- HCC:
-
Hepatozelluläres Karzinom
- KI:
-
Künstliche Intelligenz
- MELD Score:
-
Model For End-Stage Liver Disease Score
- ML:
-
Maschinelles Lernen
- NAFLD:
-
„Nonalcoholic fatty liver disease“ (nichtalkoholische Fettlebererkrankung)
- NAS:
-
NAFLD Activity Score
- NASH:
-
Nichtalkoholische Steatohepatitis
- NASH CRN:
-
Nonalcoholic Steatohepatitis Clinical Research Network
- PBC:
-
Primäre biliäre Cholangitis
- SAF Score:
-
„Steatosis, Activity, Fibrosis Score“
Literatur
Heinemann F, Birk G, Stierstorfer B (2019) Deep learning enables pathologist-like scoring of NASH models. Sci Rep 9:18454
Echle A, Rindtorff NT, Brinker TJ, Luedde T, Pearson AT, Kather JN (2021) Deep learning in cancer pathology: a new generation of clinical biomarkers. Br J Cancer 124(4):686–696
Arvaniti E, Fricker KS, Moret M, Rupp N, Hermanns T, Fankhauser C, Wey N, Wild PJ, Claassen M (2018) Automated Gleason grading of prostate cancer tissue microarrays via deep learning. Sci Rep 8(1):1–11
Försch S, Klauschen F, Hufnagl P, Roth W (2021) Künstliche Intelligenz in der Pathologie. Dtsch Arztebl Int 118:199–204
Hui Q, Minacapelli CD, Tait C, Gupta K, Bhurwal A, Catalano C, Dafalla R, Metaxas D, Rustgi V (2021) Training of computational algorithms to predict NAFLD activity score and fibrosis stage from liver hepatology slides. Comput Methods Programs Biomed 207:106153
Taylor-Weiner A, Pokkalla H, Han L, Jia C, Huss R, Chung C, Younossi ZM (2021) A machine learning approach enables quantitative measurement of liver histology and disease monitoring in NASH. Hepatology 74(1):133–147. https://doi.org/10.1002/hep.31750
Roeb E, Steffen HM, Bantel H, Baumann U, Canbay A, Demir M, Drebber U, Geier A, Hampe J, Hellerbrand C, Pathil-Warth A, Schattenberg JM, Schramm C, Seitz HK, Stefan N, Tacke F, Tannapfel A, Lynen Jansen P, Bojunga J (2015) S2K Guideline non-alcoholic fatty liver disease. Z Gastroenterol 53:668–723
Sheka AC, Adeyi O, Thompson J, Hameed B, Crawford PA, Ikramuddin S (2020) Nonalcoholic steatohepatitis: a review. JAMA 323(12):1175–1183
Bedossa P, Poitou Ch, Veyrie N, Bouillot JL, Basdevant A, Paradis V, Tordjman J, Clement K (2012) Histopathological algorithm and scoring system for evaluation of liver lesions in morbidly obese patients. Hepatology 56:1751–1759
Bedossa P, FLIP Pathology Consortium (2014) Utiliy and appropriateness of the fatty liver inhibition of progression (FLIP) algorithm and steatosis, activity, and fibrosis (SAF) score in the evaluation of biopsies of nonalcoholic fatty liver disease. Hepatology 60:565–575
Taylor RS, Taylor RJ, Bayliss S, Hagström H, Nasr P, Schattenberg JM, Ishigami M, Toyoda H, Wong VWS, Peleg N, Shlomai A, Sebastini G, Seko Y, Bhala N, Younossi ZM, Anstee QM, McPherson S, Newsome PN (2020) Association between fibrosis stage and outcome of patients with nonalcoholic fatty liver disease: a systematic review and meta-analysis. Gastroenterology 158:1611–1625
Bedossa P (2017) Diagnosis of non-alcoholic fatty liver disease/non-alcoholic steatohepatitis. Why liver biopsy is essential? Liver Int 38:64–66
Brunt EM, Kleiner DE, Wilson LA, Belt P, Neuschwander-Tetri BA, NASH clinical research network (CRN) (2011) Nonalcoholic fatty liver disease (NAFLD) activity score and the histopathological diagnosis in NAFLD: distinct clinicopathologic meanings. Hepatology 53:810–820
Kleiner DE, Brunt EM, Van Natta M, Behling C, Contos MJ, Cummings OW, Ferrell LD, Liu YCH, Torbenson MS, Unalp-Arida A, Yeh M, McCullough AJ, Sanyal AJ, NASH clinical research network (CRN) (2005) Design and validation of histological scoring system for nonalcoholic fatty liver disease. Hepatology 41:1313–1321
Tannapfel A, Denk H, Dienes HP, Dienes HP, Langner C, Schirmacher P, Trauner M, Flott-Rahmel B (2011) Histopathological diagnosis of non-alcoholic and alcoholic fatty liver disease. Virchows Arch 458:511–523
Nascimbeni F, Ballestri S, Machado MV, Mantovani A, Cortez-Pinto H, Targher G, Lonardo A (2018) Clinical relevance of liver histopathology and different histological classifications of NASH in adults. Expert Rev Gastroenterol Hepatol 12(4):351–367
Lonardo A, Nascimbeni F, Maurantonio M, Marrazzo A, Rinaldi L, Adinolfi LE (2017) Nonalcoholic fatty liver disease: evolving paradigms. World J Gastroenterol 23(36):6571
Calderaro J, Kather JN (2021) Artificial intelligence-based pathology for gastrointestinal and hepatobiliary cancers. Gut 70(6):1183–1193
Stenzinger A, Alber M, Allgäuer M, Jurmeister P, Bockmayr M, Budczies J, Lennerz J, Eschrich J, Kazdal D, Schirmacher P, Wagner AH (2021) Artificial intelligence and pathology: from principles to practice and future applications in histomorphology and molecular profiling. Semin Cancer Biol. https://doi.org/10.1016/j.semcancer.2021.02.011
Author information
Authors and Affiliations
Corresponding author
Ethics declarations
Interessenkonflikt
Gemäß den Richtlinien des Springer Medizin Verlags werden Autoren und Wissenschaftliche Leitung im Rahmen der Manuskripterstellung und Manuskriptfreigabe aufgefordert, eine vollständige Erklärung zu ihren finanziellen und nichtfinanziellen Interessen abzugeben.
Autoren
N. Abedin: A. Finanzielle Interessen: Forschungsförderung zur persönlichen Verfügung: Förderung durch das Patenschaftsmodell der Frankfurter Forschungsförderung des Fachbereichs Medizin der Goethe Universität Frankfurt. – B. Nichtfinanzielle Interessen: Assistenzärztin, Medizinische Klinik 1, Klinik für Gastroenterologie und Hepatologie, Universitätsklinikum Frankfurt, Goethe Universität | Mitgliedschaften: Deutsche Gesellschaft für Innere Medizin (DGIM), Deutsche Gesellschaft für Gastroenterologie, Verdauungs- und Stoffwechselkrankheiten (DGVS), American Association for the Study of Liver Diseases (AASLD), American Society of Clinical Oncology (ASCO).
A. Tannapfel: A. Finanzielle Interessen: A. Tannapfel gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Direktorin, Institut für Pathologie der RUB, Dekanin der Medizinischen Fakultät der RUB ab 01.10.2021, Bochum | Mitgliedschaft: Deutsche Krebsgesellschaft (Sprecherin Sektion B, Stellvertreterin des Präsidenten).
P.J. Wild: A. Finanzielle Interessen: Forschungsförderung: AstraZeneca. – Honorare für Vorträge: Bayer, Janssen-Cilag, Novartis, Roche, MSD, Astellas Pharma, Bristol-Myers-Squibb, Thermo Fisher Scientific, Molecular Health, Sophia Genetics, Qiagen, Eli Lilly, Myriad Genetics und AstraZeneca, Hedera DX. – Aktien: BioNTech. – B. Nichtfinanzielle Interessen: Mitglied DGP, BDP, ESP, AACR | Direktor Dr. Senckenbergisches Institut für Pathologie, Universitätsklinikum Frankfurt, Frankfurt am Main | Senior Fellow Frankfurt Institute for Advanced Studies (FIAS), Frankfurt am Main | Angestellter Facharzt Wildlab UKF MVZ GmbH, Frankfurt am Main.
I. Tischoff: A. Finanzielle Interessen: I. Tischoff gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: angestellte Pathologin, Institut für Pathologie, Ruhr-Universität Bochum | Mitgliedschaft: Internationale Akademie für Pathologie (IAP).
Wissenschaftliche Leitung
Die vollständige Erklärung zum Interessenkonflikt der Wissenschaftlichen Leitung finden Sie am Kurs der zertifizierten Fortbildung auf www.springermedizin.de/cme.
Der Verlag
erklärt, dass für die Publikation dieser CME-Fortbildung keine Sponsorengelder an den Verlag fließen.
Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.
Additional information
Wissenschaftliche Leitung
S. Perner, Lübeck
C. Röcken, Kiel
P. Wild, Frankfurt
QR-Code scannen & Beitrag online lesen
CME-Fragebogen
CME-Fragebogen
Welche Aussage zum Patientengut der nichtalkoholischen Fettlebererkrankung (NAFLD) trifft zu?
Die NAFLD ist eine seltene Lebererkrankung.
Die meisten Patienten mit einer NAFLD leiden unter chronischer Niereninsuffizienz.
Die NAFLD stellt eine der häufigsten chronischen Lebererkrankungen dar.
Patienten mit einer NAFLD entwickeln immer eine Leberzirrhose.
Ein hepatozelluläres Karzinom (HCC) bei Patienten mit einer NAFLD tritt nur bei Patienten mit Leberzirrhose auf.
Sie erhalten die Leberbiopsieprobe eines 42-jährigen Patienten. Die klinischen Daten des Patienten liegen Ihnen nicht vor. Welche Risikofaktoren gehören zu den häufigsten Risikofaktoren von Patienten mit einer nichtalkoholischen Fettlebererkrankung (NAFLD)?
Diabetes, Leistungssport, Schlafmangel
Adipositas, sitzende Tätigkeit, Nikotinkonsum
Ausgeglichener Tag-Nacht-Rhythmus, Adipositas, Nikotinkonsum
Diabetes, Adipositas, metabolisches Syndrom
Hepatitis B, Adipositas, Diabetes
Welches diagnostische Verfahren gilt aktuell als Goldstandard in der Diagnosesicherung einer nichtalkoholischen Steatohepatitis (NASH)?
Elastographie
Sonographie
Leberteilresektion
Knochenmarkbiopsie
Leberbiopsie
Die Leberbiopsie ist den nichtinvasiven diagnostischen Verfahren bei welchen Parametern überlegen?
Inflammation, Steatose, Leberzirrhose
Ballonierung, Inflammation, frühe und moderate Fibrosestadien
Steatose, Ballonierung, fortgeschrittene Fibrosestadien
Inflammation, Ballonierung, Leberzirrhose
Steatose, Ballonierung, jedem Fibrosestadium
Aus welchen 3 Subscores ist der NAFLD Activity Score (NAS) zusammengesetzt?
Ballonierung, Steatose, Inflammation
Ballonierung, Fibrose, Inflammation
Fibrose, Steatose, Inflammation
Fibrose, Inflammation, Ballonierung
Ballonierung, Steatose, Fibrose
Der Aktivitätsgrad (Grading) wird beim Steatosis Activity Fibrosis (SAF) Score durch welche Subscores bestimmt?
Steatose, Fibrose
Ballonierung, Fibrose
Steatose, Inflammation
Inflammation, Fibrose
Ballonierung, Inflammation
Welche Angabe im histopathologischen Befund wird nicht empfohlen?
Qualität des Biopsiezylinders
Quantitative Angabe der makrovesikulären Leberzellverfettung in Prozent
Aussage zu Ballonierung
Erfahrung des Untersuchers
Stellungnahme zum Staging (Fibrosegrad)
Welcher in der Histopathologie relevante Faktor besitzt den höchsten prognostischen Wert bei der nichtalkoholischen Steatohepatitis (NASH)?
Fibrosegrad
Ausmaß der Steatose
Anzahl der ballonierten Hepatozyten
Grad der Inflammation
Länge des Biopsiezylinders
Bei welchen Parametern der nichtalkoholischen Fettlebererkrankung (NAFLD) besteht die höchste Konkordanz zwischen Deep-learning-Modellen und Pathologen?
Fibrose und Steatose
Fibrose und Ballonierung
Steatose und Inflammation
Inflammation und Ballonierung
Steatose und Ballonierung
Welchen Mehrwert könnte die Anwendung von Methoden künstlicher Intelligenz in der Pathologie bieten?
Sie könnte die manuelle Diagnostik ersetzen.
Sie ist unabhängig von technischen Parametern.
Sie könnte eine Unterstützung in der Diagnostik und Prognoseabschätzung ermöglichen.
Einmal trainierte Modelle sind direkt auf andere Anwendungsbereiche übertragbar.
Sie ist zeit- und kostengünstig.
Rights and permissions
About this article
Cite this article
Abedin, N., Tannapfel, A., Wild, P.J. et al. Histopathologische Evaluierung der nichtalkoholischen Fettleber. Pathologe 43, 157–166 (2022). https://doi.org/10.1007/s00292-022-01052-w
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s00292-022-01052-w