Skip to main content

Advertisement

SpringerLink
Log in

Histopathologische Evaluierung der nichtalkoholischen Fettleber

Automatisierte Auswertung von Leberstanzen

Histopathological evaluation of nonalcoholic fatty liver disease

Automated evaluation of liver biopsies

  • Pathologie
  • Published:
Wiener klinisches Magazin Aims and scope

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.

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

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

  1. Heinemann F, Birk G, Stierstorfer B (2019) Deep learning enables pathologist-like scoring of NASH models. Sci Rep 9:18454

    Article  CAS  Google Scholar 

  2. 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

    Article  Google Scholar 

  3. 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

    Article  CAS  Google Scholar 

  4. Försch S, Klauschen F, Hufnagl P, Roth W (2021) Künstliche Intelligenz in der Pathologie. Dtsch Arztebl Int 118:199–204

    PubMed Central  Google Scholar 

  5. 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

    Article  Google Scholar 

  6. 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

    Article  PubMed  Google Scholar 

  7. 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

    Article  CAS  Google Scholar 

  8. Sheka AC, Adeyi O, Thompson J, Hameed B, Crawford PA, Ikramuddin S (2020) Nonalcoholic steatohepatitis: a review. JAMA 323(12):1175–1183

    Article  CAS  Google Scholar 

  9. 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

    Article  Google Scholar 

  10. 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

    Article  CAS  Google Scholar 

  11. 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

    Article  CAS  Google Scholar 

  12. Bedossa P (2017) Diagnosis of non-alcoholic fatty liver disease/non-alcoholic steatohepatitis. Why liver biopsy is essential? Liver Int 38:64–66

    Article  Google Scholar 

  13. 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

    Article  CAS  Google Scholar 

  14. 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

    Article  Google Scholar 

  15. 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

    Article  CAS  Google Scholar 

  16. 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

    Article  CAS  Google Scholar 

  17. 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

    Article  Google Scholar 

  18. Calderaro J, Kather JN (2021) Artificial intelligence-based pathology for gastrointestinal and hepatobiliary cancers. Gut 70(6):1183–1193

    Article  CAS  Google Scholar 

  19. 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

    Article  PubMed  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Medizinische Klinik 1, Universitätsklinikum Frankfurt, Goethe-Universität, Theodor-Stern-Kai 7, 60590, Frankfurt am Main, Deutschland

    Nada Abedin

  2. Institut für Pathologie, Ruhr-Universität Bochum, Bochum, Deutschland

    Andrea Tannapfel &  Iris Tischoff

  3. Dr. Senckenbergisches Institut für Pathologie, Universitätsklinikum Frankfurt, Goethe-Universität, Frankfurt am Main, Deutschland

    Peter J. Wild

Authors
  1. Nada Abedin
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Andrea Tannapfel
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Peter J. Wild
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Iris Tischoff
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Nada Abedin.

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).

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

Dieser Beitrag wurde in der Zeitschrift Der Pathologe 2 · 2022 43:157–166, https://doi.org/10.1007/s00292-022-01052-w, erstpubliziert. Zweitveröffentlichung mit freundlicher Genehmigung der Autoren.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Abedin, N., Tannapfel, A., Wild, P.J. et al. Histopathologische Evaluierung der nichtalkoholischen Fettleber. Wien klin Mag 25, 146–154 (2022). https://doi.org/10.1007/s00740-022-00444-1

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00740-022-00444-1

Schlüsselwörter

Keywords

Search

Navigation