Skip to main content
SpringerLink
Log in

Künstliche Intelligenz in der Nierentransplantationspathologie

Artificial intelligence in kidney transplant pathology

  • Schwerpunkt: Nierenpathologie
  • Published:
Die Pathologie Aims and scope Submit manuscript

Zusammenfassung

Hintergrund

Auf künstlicher Intelligenz (KI) beruhende Systeme konnten mit guten Ergebnissen in der digitalen Pathologie und so auch in der digitalen Nephropathologie eingesetzt werden. Die Nierentransplantationspathologie ist ein Bereich, der potenziell besonders von der Nutzung von KI profitieren kann.

Ziel der Arbeit

Den aktuellen Stand der Forschung und die Limitationen im Bereich der KI-Unterstützung für die Nierentransplantationsdiagnostik aufzuzeigen, sowie einen Ausblick in die Zukunft zu geben.

Material und Methoden

Eine Literaturrecherche erfolgte in PubMed und Web of Science den Suchbegriffen „Deep Learning“, „Transplant“ und „Kidney“. Basierend auf diesen Ergebnissen und den dort zitierten Studien wurde eine Selektion von Studien vorgenommen, die einen histopathologischen Fokus haben und KI verwenden, um eine verbesserte Nierentransplantationsdiagnostik zu ermöglichen.

Ergebnisse und Schlussfolgerung

Viele Studien konnten bereits wichtige Beiträge insbesondere zur Automatisierung der Quantifizierung wichtiger histopathologischer Läsionen in der digitalen Nephropathologie liefern. Weitere histopathologische Veränderungen sind potenziell einfach automatisch quantifizierbar. Wichtige Limitationen und Herausforderungen bestehen in der Sammlung repräsentativer Datensätze und der regelmäßig erneuerten Banff-Klassifikation. Die bereits vorliegenden positiven Studienergebnisse lassen eine zukünftige KI-Unterstützung in der Nierentransplantationspathologie wahrscheinlich erscheinen.

Abstract

Background

Artificial intelligence (AI) systems have showed promising results in digital pathology, including digital nephropathology and specifically also kidney transplant pathology.

Aim

Summarize the current state of research and limitations in the field of AI in kidney transplant pathology diagnostics and provide a future outlook.

Materials and methods

Literature search in PubMed and Web of Science using the search terms “deep learning”, “transplant”, and “kidney”. Based on these results and studies cited in the identified literature, a selection was made of studies that have a histopathological focus and use AI to improve kidney transplant diagnostics.

Results and Conclusion

Many studies have already made important contributions, particularly to the automation of the quantification of some histopathological lesions in nephropathology. This likely can be extended to automatically quantify all relevant lesions for a kidney transplant, such as Banff lesions. Important limitations and challenges exist in the collection of representative data sets and the updates of Banff classification, making large-scale studies challenging. The already positive study results make future AI support in kidney transplant pathology appear likely.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1

Literatur

  1. Bülow RD, Hölscher DL, Costa IG, Boor P (2023) Extending the landscape of omics technologies by pathomics. NPJ Syst Biol Appl 9:38

    Article  PubMed  PubMed Central  Google Scholar 

  2. Choi G, Kim Y‑G, Cho H et al (2020) Automated detection algorithm for C4d immunostaining showed comparable diagnostic performance to pathologists in renal allograft biopsy. Mod Pathol 33:1626–1634

    Article  CAS  PubMed  Google Scholar 

  3. Farris AB, Vizcarra J, Amgad M et al (2021) Image Analysis Pipeline for Renal Allograft Evaluation and Fibrosis Quantification. Kidney Int Rep 6:1878–1887

    Article  PubMed  PubMed Central  Google Scholar 

  4. Ghaffari Laleh N, Truhn D, Veldhuizen GP et al (2022) Adversarial attacks and adversarial robustness in computational pathology. Nat Commun 13:5711

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  5. Hermsen M, de Bel T, den Boer M et al (2019) Deep Learning-Based Histopathologic Assessment of Kidney Tissue. J Am Soc Nephrol 30:1968–1979

    Article  PubMed  PubMed Central  Google Scholar 

  6. Hermsen M, Ciompi F, Adefidipe A et al (2022) Convolutional Neural Networks for the Evaluation of Chronic and Inflammatory Lesions in Kidney Transplant Biopsies. Am J Pathol 192:1418–1432

    Article  CAS  PubMed  Google Scholar 

  7. Hermsen M, Volk V, Bräsen JH et al (2021) Quantitative assessment of inflammatory infiltrates in kidney transplant biopsies using multiplex tyramide signal amplification and deep learning. Lab Invest 101:970–982

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  8. Hölscher DL, Bouteldja N, Joodaki M et al (2023) Next-Generation Morphometry for pathomics-data mining in histopathology. Nat Commun 14:470

    Article  PubMed  PubMed Central  Google Scholar 

  9. Jacq A, Tarris G, Jaugey A et al (2023) Automated evaluation with deep learning of total interstitial inflammation and peritubular capillaritis on kidney biopsies. Nephrol Dial Transplant 38:2786–2798

    Article  PubMed  Google Scholar 

  10. Jansen C, Lindequist B, Strohmenger K et al (2023) The vendor-agnostic EMPAIA platform for integrating AI applications into digital pathology infrastructures. Future Gener Comput Syst 140:209–224

    Article  Google Scholar 

  11. Kather JN, Pearson AT, Halama N et al (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25:1054–1056

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  12. Kers J, Bülow RD, Klinkhammer BM et al (2022) Deep learning-based classification of kidney transplant pathology: a retrospective, multicentre, proof-of-concept study. Lancet Digit Health 4:e18–e26

    Article  CAS  PubMed  Google Scholar 

  13. Kim Y‑G, Choi G, Go H et al (2019) A Fully Automated System Using A Convolutional Neural Network to Predict Renal Allograft Rejection: Extra-validation with Giga-pixel Immunostained Slides. Sci Rep 9:5123

    Article  PubMed  PubMed Central  Google Scholar 

  14. Labriffe M, Woillard J‑B, Gwinner W et al (2022) Machine learning-supported interpretation of kidney graft elementary lesions in combination with clinical data. Am J Transplant 22:2821–2833

    Article  PubMed  Google Scholar 

  15. LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436–444

    Article  CAS  PubMed  Google Scholar 

  16. Loupy A, Mengel M, Haas M (2022) Thirty years of the international banff classification for allograft pathology: the past, present, and future of kidney transplant diagnostics. Kidney Int 101:678–691. https://doi.org/10.1016/j.kint.2021.11.028

    Article  PubMed  Google Scholar 

  17. Lu MY, Chen TY, Williamson DFK et al (2021) AI-based pathology predicts origins for cancers of unknown primary. Nature 594:106–110

    Article  CAS  PubMed  Google Scholar 

  18. Luo Y, Liang J, Hu X et al (2021) Deep Learning Algorithms for the Prediction of Posttransplant Renal Function in Deceased-Donor Kidney Recipients: A Preliminary Study Based on Pretransplant Biopsy. Front Med 8:676461

    Article  Google Scholar 

  19. Märkl B, Füzesi L, Huss R et al (2021) Number of pathologists in Germany: comparison with European countries, USA, and Canada. Virchows Arch 478:335–341

    Article  PubMed  Google Scholar 

  20. Naesens M, Roufosse C, Haas M et al (2023) The Banff 2022 Kidney Meeting Report: Reappraisal of microvascular inflammation and the role of biopsy-based transcript diagnostics. Am J Transplant. https://doi.org/10.1016/j.ajt.2023.10.016

    Article  PubMed  Google Scholar 

  21. Plass M, Kargl M, Kiehl T‑R et al (2023) Explainability and causability in digital pathology. Hip Int 9:251–260

    Google Scholar 

  22. Selvaraju RR, Cogswell M, Das A et al (2020) Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization. Int J Comput Vis 128:336–359

    Article  Google Scholar 

  23. Song AH, Jaume G, Williamson DFK et al (2023) Artificial intelligence for digital and computational pathology. Nat Rev Bioeng: 1–20

  24. Vafaei Sadr A, Bülow R, von Stillfried S et al (2023) Operational greenhouse-gas emissions of deep learning in digital pathology: a modelling study. Lancet Digit Health. https://doi.org/10.1016/S2589-7500(23)00219-4

    Article  PubMed  PubMed Central  Google Scholar 

  25. Yi Z, Salem F, Menon MC et al (2022) Deep learning identified pathological abnormalities predictive of graft loss in kidney transplant biopsies. Kidney Int 101:288–298

    Article  CAS  PubMed  Google Scholar 

  26. Yi Z, Xi C, Menon MC et al (2023) A large-scale retrospective study enabled deep-learning based pathological assessment of frozen procurement kidney biopsies to predict graft loss and guide organ utilization. Kidney Int. https://doi.org/10.1016/j.kint.2023.09.031

    Article  PubMed  Google Scholar 

  27. Yoo D, Goutaudier V, Divard G et al (2023) An automated histological classification system for precision diagnostics of kidney allografts. Nat Med 29:1211–1220

    Article  CAS  PubMed  Google Scholar 

  28. Zheng Y, Cassol CA, Jung S et al (2021) Deep-Learning-Driven Quantification of Interstitial Fibrosis in Digitized Kidney Biopsies. Am J Pathol 191:1442–1453

    Article  PubMed  PubMed Central  Google Scholar 

Download references

Förderung

PB wird von der Deutschen Forschungsgemeinschaft (DFG, Projekt-IDs 322900939 & 445703531), dem Europäischen Forschungsrat (ERC Consolidator Grant Nr. 101001791), den Bundesministerium für Bildung und Forschung (BMBF, STOP-FSGS-01GM2202C) und dem Innovationsfonds des Gemeinsamen Bundesausschusses (Transplant.KI, Nr. 01VSF21048) unterstützt. Diese Arbeit wurde vom START-Programm der Medizinischen Fakultät der RWTH Aachen University unterstützt (Nr. 148/21).

Author information

Authors and Affiliations

  1. Institut für Pathologie, Sektion Nephropathologie, Universitätsklinikum RWTH Aachen, Pauwelsstraße 30, 52074, Aachen, Deutschland

    Roman David Bülow, Yu-Chia Lan &  Peter Boor PhD

  2. Abteilung Nephropathologie, Institut für Pathologie, Universitätsklinikum Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg, Erlangen, Deutschland

    Kerstin Amann

  3. Medizinische Klinik II, Universitätsklinikum RWTH Aachen, Aachen, Deutschland

    Peter Boor PhD

Authors
  1. Roman David Bülow
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Yu-Chia Lan
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Kerstin Amann
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Peter Boor PhD
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Peter Boor PhD.

Ethics declarations

Interessenkonflikt

R.D. Bülow, Y.-C. Lan, K. Amann und P. Boor geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Additional information

Redaktion

Schwerpunktherausgeberin: Kerstin Amann, Erlangen

Hinweis des Verlags

Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.

R.D. Bülow und Y.-C. Lan teilen sich die Erstautorenschaft.

figure qr

QR-Code scannen & Beitrag online lesen

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Bülow, R.D., Lan, YC., Amann, K. et al. Künstliche Intelligenz in der Nierentransplantationspathologie. Pathologie (2024). https://doi.org/10.1007/s00292-024-01324-7

Download citation

  • Accepted:

  • Published:

  • DOI: https://doi.org/10.1007/s00292-024-01324-7

Schlüsselwörter

Keywords

Search

Navigation