Skip to main content

Advertisement

SpringerLink
Log in

Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie

Artificial intelligence and digital pathology as drivers of precision oncology

  • Leitthema
  • Published:
Die Onkologie Aims and scope

A Publisher Erratum to this article was published on 04 July 2023

This article has been updated

Zusammenfassung

Hintergrund

Die Digitalisierung bietet viele Chancen zur Verbesserung von Diagnostik und Therapien bei Krebserkrankungen, insbesondere auch im Bereich der Pathologie. Neben der molekularen Analyse von bösartigen Tumoren und der Proteinanalytik (Immunhistochemie) ist die Digitalisierung der Pathologie ein weiterer evolutionärer Schritt, der dieses Fachgebiet tiefgreifend modernisieren und transformieren wird.

Methoden

Die vorliegende Arbeit basiert auf einer selektiven Literaturrecherche in der Datenbank PubMed zum Thema „digitale Pathologie“ und „KI-Algorithmen“.

Ergebnisse

Das Spektrum der digitalen Transformation reicht von einer Digitalisierung und Strukturierung diagnostischer Befunde zur schnelleren, präziseren und reproduzierbareren Diagnostik für onkologische Patientinnen und Patienten über die Einführung einer Telepathologie und einen schnelleren Zugang zu Referenzpathologien bis hin zur Einführung von Algorithmen, die auf künstlicher Intelligenz (KI) beruhen und automatisierte Analysen virtualisierter pathologischer Gewebsschnitte ermöglichen. Letztere sind Gegenstand aktiver Forschung und gliedern sich in 2 Hauptkategorien: i.) diagnostische KI für typische Aufgaben der Pathologie, beispielsweise einer Quantifizierung prädiktiver Marker immunhistochemischer Färbungen oder Tumordetektionen, Graduierungen und Subtypisierungen anhand von Hämatoxylin-Eosin-Routinefärbungen, sowie ii.) fortgeschrittene Anwendungen, welche Detektionen von molekulargenetischen Alterationen und therapierelevante Bildbiomarker, im weitesten Sinne, beinhalten.

Schlussfolgerungen

In dieser Arbeit werden Aspekte der digitalen Transformation für pathologische Institute reflektiert, im Hinblick auf die zukünftige Entwicklung für die Präzisionsonkologie, aber auch deren Status quo.

Abstract

Background

Digitalisation offers many opportunities to improve diagnosis and treatment in cancer, especially in the field of pathology. In addition to the molecular analysis of malignant tumours and protein analysis (immunohistochemistry), the digitalisation of pathology is a further evolutionary step that will profoundly modernise and transform this field.

Methods

This work is based on a selective literature search in the PubMed database on the topic of “digital pathology” and “AI algorithms”.

Results

The spectrum of digital transformation ranges from digitalisation and structuring of diagnostic reports for faster, more precise and reproducible diagnosis for oncological patients, to the introduction of telepathology and faster access to reference pathology centres, to the introduction of artificial intelligence (AI)-based algorithms that enable automated analyses of virtualised pathological tissue sections. The latter topic is the subject of active research and comprises two main categories: i) diagnostic AI for typical pathology tasks, for example, quantification of predictive markers in immunohistochemical stains or tumour detection, grading, and subtyping based on routine haematoxylin and eosin stains, and ii) advanced applications involving detection of molecular genetic alterations and therapy-relevant image biomarkers, in the broadest sense.

Conclusions

This paper reflects on aspects of digital transformation for pathology institutes, in terms of future development for precision oncology but also their status quo.

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
Abb. 2
Abb. 3
Abb. 4

Change history

Literatur

  1. Janning M, Süptitz J, Albers-Leischner C et al (2022) Treatment outcome of atypical EGFR mutations in the German National Network Genomic Medicine Lung Cancer (nNGM). Ann Oncol 33(6):602–615. https://doi.org/10.1016/J.ANNONC.2022.02.225

    Article  CAS  PubMed  Google Scholar 

  2. Kerr KM, Bibeau F, Thunnissen E et al (2021) The evolving landscape of biomarker testing for non-small cell lung cancer in Europe. Cancer Treat Res 154:161–175. https://doi.org/10.1016/J.LUNGCAN.2021.02.026

    Article  CAS  Google Scholar 

  3. Evans AJ, Brown RW, Bui MM et al (2022) Validating whole slide imaging systems for diagnostic purposes in pathology. Arch Pathol Lab Med 146(4):440–450. https://doi.org/10.5858/ARPA.2020-0723-CP

    Article  PubMed  Google Scholar 

  4. Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A (2019) Artificial intelligence in digital pathology—new tools for diagnosis and precision oncology. Nat Rev Clin Oncol 16(11):703–715. https://doi.org/10.1038/s41571-019-0252-y

    Article  PubMed  PubMed Central  Google Scholar 

  5. 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. https://doi.org/10.1038/s41416-020-01122-x

    Article  PubMed  Google Scholar 

  6. Schömig-Markiefka B, Pryalukhin A, Hulla W et al (2021) Quality control stress test for deep learning-based diagnostic model in digital pathology. Mod Pathol 34(12):2098–2108. https://doi.org/10.1038/s41379-021-00859-x

    Article  PubMed  PubMed Central  Google Scholar 

  7. Cai L, Yan K, Bu H et al (2021) Improving Ki67 assessment concordance by the use of an artificial intelligence-empowered microscope: a multi-institutional ring study. Histopathology 79(4):544–555. https://doi.org/10.1111/HIS.14383

    Article  PubMed  Google Scholar 

  8. Abele N, Tiemann K, Krech T et al (2023) Noninferiority of artificial intelligence-assisted analysis of Ki-67 and estrogen/progesterone receptor in breast cancer routine diagnostics. Mod Pathol 36(3):100033. https://doi.org/10.1016/J.MODPAT.2022.100033

    Article  PubMed  Google Scholar 

  9. Scheel AH, Dietel M, Heukamp LC et al (2016) Predictive PD-L1 immunohistochemistry for non-small cell lung cancer : Current state of the art and experiences of the first German harmonization study. Pathologe 37(6):557–567. https://doi.org/10.1007/S00292-016-0189-1

    Article  CAS  PubMed  Google Scholar 

  10. Scheel AH, Baenfer G, Baretton G et al (2018) Interlaboratory concordance of PD-L1 immunohistochemistry for non-small-cell lung cancer. Histopathology 72(3):449–459. https://doi.org/10.1111/HIS.13375

    Article  PubMed  Google Scholar 

  11. Tolkach Y, Dohmgörgen T, Toma M, Kristiansen G (2020) High-accuracy prostate cancer pathology using deep learning. Nat Mach Intell 2(7):411–418. https://doi.org/10.1038/s42256-020-0200-7

    Article  Google Scholar 

  12. Campanella G, Hanna MG, Geneslaw L et al (2019) Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med 25(8):1301–1309. https://doi.org/10.1038/s41591-019-0508-1

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  13. Coudray N, Ocampo PS, Sakellaropoulos T et al (2018) Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med 24(10):1559–1567. https://doi.org/10.1038/s41591-018-0177-5

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  14. Couture HD, Williams LA, Geradts J et al (2018) Image analysis with deep learning to predict breast cancer grade, ER status, histologic subtype, and intrinsic subtype. NPJ Breast Cancer 4(1):30. https://doi.org/10.1038/s41523-018-0079-1

    Article  PubMed  PubMed Central  Google Scholar 

  15. Bejnordi BE, Veta M, Van Diest PJ et al (2017) Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 318(22):2199–2210. https://doi.org/10.1001/jama.2017.14585

    Article  Google Scholar 

  16. Yu G, Sun K, Xu C et al (2021) Accurate recognition of colorectal cancer with semi-supervised deep learning on pathological images. Nat Commun. https://doi.org/10.1038/s41467-021-26643-8

    Article  PubMed  PubMed Central  Google Scholar 

  17. Tolkach Y, Wolgast LM, Damanakis A, Pryalukhin A, Schallenberg S, Hulla W, Eich ML, Schroeder W, Mukhopadhyay A, Fuchs M, Klein S, Bruns C, Büttner R, Gebauer F, Schömig-Markiefka B, Quaas A (2023) Artificial intelligence for tumour tissue detection and histological regression grading in oesophageal adenocarcinomas: a retrospective algorithm development and validation study. Lancet Digit Health 5(5):e265–e275. https://doi.org/10.1016/S2589-7500(23)00027-4. PMID: 37100542

  18. Global pathology workforce heatmap. https://thepathologist.com/outside-the-lab/constant-demand-patchy-supply. Zugegriffen: 17. Apr. 2023

  19. Tolkach Y, Ovtcharov V, Pryalukhin A et al (2023) An international multi-institutional validation study of deep learning-based classifier for prostate cancer detection and Gleason grading in biopsy samples (Under Review)

    Google Scholar 

  20. Saldanha OL, Muti HS, Grabsch HI et al (2022) Direct prediction of genetic aberrations from pathology images in gastric cancer with swarm learning. Gastric Cancer. https://doi.org/10.1007/s10120-022-01347-0

    Article  PubMed  PubMed Central  Google Scholar 

  21. Kather JN, Pearson AT, Halama N et al (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25(7):1054–1056. https://doi.org/10.1038/s41591-019-0462-y

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  22. Kather JN, Krisam J, Charoentong P et al (2019) Predicting survival from colorectal cancer histology slides using deep learning: A retrospective multicenter study. PLoS Med 16(1):e1002730. https://doi.org/10.1371/journal.pmed.1002730

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  23. Klein S, Mauch C, Brinker K et al (2021) Tumor infiltrating lymphocyte clusters are associated with response to immune checkpoint inhibition in BRAF V600E/K mutated malignant melanomas. Sci Rep. https://doi.org/10.1038/S41598-021-81330-4

    Article  PubMed  PubMed Central  Google Scholar 

  24. Klein S, Quaas A, Quantius J et al (2021) Deep learning predicts HPV association in oropharyngeal squamous cell carcinomas and identifies patients with a favorable prognosis using regular H&E stains. Clin Cancer Res 27(4):1131–1138. https://doi.org/10.1158/1078-0432.CCR-20-3596

    Article  CAS  PubMed  Google Scholar 

  25. Fu Y, Jung AW, Torne RV et al (2020) Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis. Nat Cancer 1(8):800–810. https://doi.org/10.1038/S43018-020-0085-8

    Article  CAS  PubMed  Google Scholar 

  26. Kather JN, Heij LR, Grabsch HI et al (2020) Pan-cancer image-based detection of clinically actionable genetic alterations. Nat Cancer 1(8):789–799. https://doi.org/10.1038/S43018-020-0087-6

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  27. Lipkova J, Chen RJ, Chen B et al (2022) Artificial intelligence for multimodal data integration in oncology. Cancer Cell 40(10):1095–1110. https://doi.org/10.1016/J.CCELL.2022.09.012

    Article  CAS  PubMed  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Institut für Pathologie und Neuropathologie, Medizinische Fakultät und Universitätsklinikum Köln, Universität zu Köln, Köln, Deutschland

    Yuri Tolkach, Sebastian Klein, Tsvetan Tsvetkov &  Reinhard Buettner

Authors
  1. Yuri Tolkach
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Sebastian Klein
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Tsvetan Tsvetkov
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Reinhard Buettner
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Reinhard Buettner.

Ethics declarations

Interessenkonflikt

R. Buettner ist Co-Founder und Co-Owner der Firmen Gnothis Inc (Stockholm) und Timer Therapeutics (Deutschland). Y. Tolkach, S. Klein und T. Tsvetkov 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

Yuri Tolkach und Sebastian Klein haben zu gleichen Teilen an der Erstellung des Beitrags mitgewirkt.

figure qr

QR-Code scannen & Beitrag online lesen

Die Originalversion dieses Beitrags wurde korrigiert: In diesem Artikel hätten Yuri Tolkach und Sebastian Klein als gleichberechtigte Autoren angegeben werden sollen.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Tolkach, Y., Klein, S., Tsvetkov, T. et al. Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie. Onkologie 29, 839–850 (2023). https://doi.org/10.1007/s00761-023-01359-0

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00761-023-01359-0

Schlüsselwörter

Keywords

Search

Navigation