Können wir KI bereits vertrauen, um Krebs zu diagnostizieren?

Wo steht die Künstliche Intelligenz (KI) in der Medizin von morgen? Könnten die diagnostischen Probleme nicht mehr von einem Dr. House gelöst werden, sondern von seinem digitalen Alter Ego? Tatsächlich übertrifft die KI das Auge bereits bei der Erkennung bestimmter Tumore anhand von radiologischen Bildern (Mammogrammen, MRTs) … Was einige zu der Annahme veranlasst hat, dass Computer bald menschliche Experten ersetzen werden.

Aber im Gegensatz zu diesen Vorhersagen, die Radiologe verschwand nicht : Im Gegenteil, es fand eine unerwartete „Zusammenarbeit“ zwischen ihm und der Maschine statt, die seinen Platz einnehmen sollte. Der erste arbeitet daran, die Fähigkeiten und Stärken des zweiten zu kanalisieren, um die Interpretation und Diagnose zum Wohle der Patienten zu verbessern.

Diese Frage der Hilfestellung zur richtigen Diagnose ist zentral und beides wert Psychiatrie, wo die KI ebenfalls ihre ersten Schritte unternimmt als in der Onkologie … Auch in der pathologischen Anatomie „die Untersuchung von Organen, Geweben oder Zellen zur Identifizierung und Analyse von Anomalien im Zusammenhang mit einer Krankheit (Krebs usw.)“, die Aussichten und Versprechungen sind enorm.

Ist KI bereits zu solchen Analysen fähig? Könnte es sich als effizienter erweisen als der menschliche Experte?

Es gibt viele Missverständnisse und Verwirrung, und es ist wichtig zu verstehen, warum. Genau diesen Punkt schlagen wir Ihnen hier vor.

Was ermöglichte die ersten Schritte der „digitalen Pathologie“

Für die KI, wie für jeden menschlichen Spezialisten, basiert die Diagnose unter anderem auf einem ebenso einfachen wie wesentlichen Gegenstand: den Glasobjektträgern, auf die der Pathologe eine hauchdünne „Scheibe“ des zu analysierenden Gewebes legt ( Lunge, Leber usw.), um es unter dem Mikroskop zu beobachten.

Durch diese mikroskopische Analyse kann der Pathologe verschiedene Arten von Zellen identifizieren, ihre Formen oder sogar ihre räumliche Organisation (Architektur) vergleichen, um abnormale Cluster – zum Beispiel Tumore – zu identifizieren.

Die Massendigitalisierung dieser Objektträger ebnete den Weg für den Einsatz von KI in der pathologischen Anatomie. Das Aufkommen angepasster Scanner ermöglicht in einer wachsenden Zahl von Krankenhäusern die Erfassung und Aufbewahrung von Objektträgern in digitaler Form. Die Original-Dias bleiben jedoch erhalten … was aufgrund der Lagerkosten nicht unbedingt für alle ihre digitalisierten Versionen möglich sein wird.

Dieses Verfahren, das der „digitalen Pathologie“ den Weg ebnet, hat es ermöglicht, an Algorithmen zu arbeiten, die ihre Analyse automatisiert durchführen sollen. Mit dem Ziel, dass KI den Pathologen bei seiner Diagnose unterstützen kann. Es ist auch aus ergonomischen Gründen und zur Zeitersparnis sinnvoll.

Glasobjektträger werden traditionell unter einem Mikroskop betrachtet. Sie können jetzt zum Studium auf einem Computerbildschirm digitalisiert werden. Dadurch können sie auch an künstliche neuronale Netze übermittelt werden.
DR, Vom Autor bereitgestellt

Aber wie der Mensch muss auch die Maschine (meistens künstliche neuronale Netze) trainiert werden. Erstens muss sie in der Lage sein, auf die Klingen zu „schauen“ und zu verstehen, worum es geht. Diese Analyse verwendet die Mustererkennungstechnologie als grundlegende Technik.

Zweitens muss es interpretieren können, was es „sieht“. KI basiert auf dem Begriff des Lernens und der Fähigkeit zu schließen, d. h. das während ihrer Entstehung und Ausbildung erworbene Wissen auf andere Situationen zu übertragen, die vergleichbar, aber nicht ähnlich sind: zum Beispiel eine Brustkrebs-Lymphknoten-Mikrometastase (Ansammlung einiger Tumorzellen) erkennen Zellen, die möglicherweise unbemerkt bleiben), indem Sie zuvor andere Bilder von Metastasen gesehen haben.

Zu beachten ist, dass digitalisierte Objektträger viel mehr Pixel enthalten als radiologische Bilder und Tausende von Zellen enthalten – sie sind daher besonders reich an Informationen, die Algorithmen ausnutzen könnten.

[Fast 80 Leser vertrauen dem Newsletter The Conversation, um die wichtigsten Probleme der Welt besser zu verstehen. Abonnieren Sie noch heute]

Ein schneller und zuverlässiger digitaler Assistent…

Aktuelle Forschungen und Versuche zeigen, dass KI letztendlich in mehreren Bereichen relevant sein könnte:

• Automatisierung der sich wiederholendsten und subjektivsten Aktivitäten,
• hilft bei der Tumorerkennung, Aggressivitätsbewertung und Subtypisierung,
• Zählung von Tumorzellen, insbesondere in Teilung (Mitosen),
• Beurteilung der Intensität der Immunantwort (Anzahl der Lymphozyten, die den Tumor angreifen).

Die Interessen sind vielfältig: dem Humanpathologen Zeit zurückzugeben, damit er sich den komplexesten Aufgaben widmen kann, bei denen der menschliche Mehrwert real ist, die endgültige Diagnose schneller und zuverlässiger zu stellen. Und, wichtig in der Wissenschaft, die Ergebnisse von KI-Analysen sind in der Regel reproduzierbar.

Wir können bereits konkrete Fälle identifizieren, in denen der Beitrag von KI relevant ist:

• Brustkrebserkennung: Algorithmen sind bei der Erkennung effizienter als der Pathologe Nachweis von Mikrometastasen in den Lymphknoten der Achselhöhle.
• Brustkrebs-Prognosebewertung: Künstliche neuronale Netze identifizieren effektiv Zellmarkierungen, die mit spezifischen Antikörpern hergestellt wurden (Immunhistochemie-Technik). Bei Brustkrebs lässt sich durch die Quantifizierung der Expression des HER2-Proteins in Tumorzellen die Prognose der Erkrankung und das Ansprechen auf bestimmte Medikamente abschätzen – dieses Protein stimuliert das Fortschreiten der Krebserkrankung. Eine computergestützte Diagnose wäre daher durchaus relevant.
• Aggressivität von Prostatakrebs: Dies wird durch die bewertet Gleason-Score, die durch mikroskopische Analyse von Prostatabiopsien bestimmt wird. Die Erstellung eines Gleason-Scores erfordert die Analyse vieler Folien und nimmt wiederum Zeit in Anspruch. Studien haben gezeigt, a gute Übereinstimmung zwischen der Beurteilung durch einen Pathologen und der eines künstlichen neuronalen Netzes.

…sogar ein echter Kollege

Neben der Hilfe bei sich wiederholenden Aufgaben, bei denen menschliche Expertise wenig beiträgt, hat KI spezifische Vorteile in Bezug auf die Menge an Informationen, die sie verarbeiten kann. Damit ist es in der Lage, zusätzliche für die Patientenversorgung relevante Daten zu extrahieren, die zwar routinemäßig vorhanden, aber oft „versteckt“ sind, weil sie für das menschliche Auge nicht wahrnehmbar sind.

AI ist wirksam beim Zählen von Tumorzellen, insbesondere bei der Teilung (wie hier). Es könnte auch mikroskopische Aspekte und spezifische genetische Mutationen von Krebs in Verbindung bringen.
Al-Janabi S. et al., CC BY

Die bekanntesten Beispiele sind die Identifizierung genetischer oder genomischer Anomalien bei Krebserkrankungen und die weitere Bewertung der Prognose und des Ansprechens auf die Behandlung.

Eine Krebsdiagnose wird normalerweise durch die Analyse eines Tumors (nach seiner Biopsie oder Exzision) gestellt, der, wie oben erwähnt, zur Untersuchung unter dem Mikroskop auf Objektträger gelegt wird. Diese ohnehin schon informativen Erstuntersuchungen können durch genetische Analysen ergänzt werden: Indem sie spezifische Mutationen des Tumors identifizieren, ermöglichen sie eine bessere Charakterisierung des Tumors. Fachärzte sind somit besser in der Lage, eine adäquate Behandlung einzurichten. Doch diese zusätzlichen Analysen „verbrauchen“ Tumorgewebe und brauchen Zeit.

Die bloße Beobachtung der digitalisierten Objektträger könnte es Algorithmen ermöglichen, die relevanten Mutationen zu erkennen, ohne auf genetische Analysen zurückgreifen zu müssen. Das spart Zeit, Geld und Tumormaterial („Tissue Saving“) – letzteres kann für andere Analysen aufgespart werden.

Der Nachweis von Mutationen ist möglich, indem eine Tumorform oder -architektur (unter einem Mikroskop gesehen) mit dem Vorhandensein von Mutationen korreliert wird, die zuvor durch DNA-Sequenzierung (Lesen) identifiziert wurden. Der Algorithmus muss lernen, mikroskopische Aspekte und Mutationen zuzuordnen.

Das gleiche Lernen könnte zum Verknüpfen implementiert werden mikroskopische Aspekte und Arzneimittelwirkung oder -prognose.

Grenzen immer noch stark

Auch wenn KI mittelfristig sicherlich die Diagnose von Krebserkrankungen und die Versorgung von Patienten verbessern wird, ist die Entwicklung adäquater Algorithmen langwierig und kostspielig.

Viele Beispiele von Bildern (idealerweise mehrere tausend), normale und pathologische, sind in der Tat notwendig, um die verschiedenen Sets zu bilden, auf denen es trainiert wird. Dies erfordert große Datenbanken, in denen jedes Beispiel von einem Pathologen annotiert wurde – und diese Bildsammlungen erfordern große Speicherkapazitäten und ihre Digitalisierungsannotation stellt ein beträchtliches Budget dar.

Die Leistung der KI hängt von der Qualität der Daten ab, die während ihres Trainings bereitgestellt werden, was sie nicht frei von Vorurteilen macht. Es kann sogar Verzerrungen verstärken, die in den Trainingssätzen vorhanden sind. Und wie ein gut trainiertes menschliches Auge kann es Fehler machen.

Schließlich erfordert die zukünftige Umsetzung dieser digitalen Modelle neben Ärzten in der „echten“ Versorgung von Patienten die Definition von Standards und rechtlichen Rahmenbedingungen, wie dies für genetische Analysen nach dem Aufkommen der Hochdurchsatzsequenzierung der Fall war.

Tatsächlich wird diese Entwicklung die Weitergabe bestimmter medizinischer Daten erfordern, was gegen die Ethik und das Arztgeheimnis stößt. Ihr Austausch zwischen den Zentren ist für den Aufbau großer Datenbanken notwendig, die ihrerseits für die Entwicklung zuverlässiger Algorithmen notwendig sind. Und wenn die Daten immer anonymisiert sind, wirft ihre mögliche Übertragung durch die Cloud Vertraulichkeitsprobleme auf (Hacking-Risiko).

Darüber hinaus sollten die Algorithmen in der Lage sein, direkt aus der elektronischen Patientenakte heraus zu arbeiten, um eine Echtzeitbewertung der Krankheitsprognose und des Ansprechens auf die Behandlung zu ermöglichen. Dies kann nur unter Einhaltung der noch festzulegenden Empfehlungen der Europäischen Arzneimittel-Agentur erfolgen.

Zukunftsaussichten

Trotz dieser Hindernisse hat der Übergang begonnen. Letztendlich ist das Ziel die KI integriert multimodale Daten, aus den vier Schichten der modernen Onkologie: Mikroskopie, Radiologie, Genetik und klinische Praxis. Diese Integration wird zu effizienteren Modellen führen, insbesondere zur Bewertung der Prognose. Innerhalb von fünf Jahren könnte KI den Bereich der Forschung verlassen und in der Routineversorgung eingesetzt werden.

Das Aufkommen der digitalen Pathologie verspricht in jedem Fall einen großen Wendepunkt zum Wohle der Patienten.

Audrey Rousseau, Professor für Pathologische Anatomie - Arzt und Forscher an der Universitätsklinik von Angers, Universität von Angers et Leslie Tessier, Doktorand, Praktikant in pathologischer Anatomie und Zytologie, RadboudUMC, Nijmegen, Universität von Angers

Dieser Artikel wurde von neu veröffentlicht Das Gespräch unter Creative Commons Lizenz. Lesen Sie dieOriginalartikel.