Der medizinische Direktor von Paige, Dr. Juan Retamero, war Gastgeber einer Produktpräsentation auf der Jahrestagung 2022 des College of American Pathologists (CAP), wo er erörterte, wie künstliche Intelligenz (KI) eingesetzt werden kann, um Pathologen bei der Überprüfung von Brustfällen zu unterstützen.
Dr. Retamero begann mit einem historischen Rückblick auf grundlegende Studien, die bewiesen, dass KI in der Lage ist, die Identifizierung von Krebs mit klinischer Genauigkeit erfolgreich zu unterstützen. In einer Studie fanden Campanella et al. heraus, dass das Multiple Instance Learning (MIL) ein besonders effektives Modell für das Training der KI ist 1 so dass es Krebserkrankungen in den Daten aller Institutionen finden kann, unabhängig von den präanalytischen Abweichungen, ohne dass eine zusätzliche Abstimmung erforderlich ist, was für den Einsatz von KI in realen Labors unerlässlich ist. Auf der Grundlage dieser Studie wurden inzwischen viele KI-Anwendungen auf den Markt gebracht, darunter auch die von Paige, die diesen Ansatz zur sicheren Erkennung von Prostata- und Brustkrebs sowie anderen spezifischen Anwendungsfällen nutzen.
Vor diesem Hintergrund betonte Dr. Retamero dann einige der Herausforderungen, die die Brustkrebsdiagnose mit sich bringen kann, und wie KI, die Pathologen bei der Brustkrebsdiagnose unterstützen soll, dazu beitragen kann, einige dieser Herausforderungen zu bewältigen. Er verwies zunächst auf eine Studie aus dem Jahr 2015, in der festgestellt wurde, dass die Übereinstimmung der Pathologen bei der Brustkrebsdiagnose im Vergleich zu einer Basisdiagnose nicht immer perfekt ist – in mehreren Fällen bezeichneten bis zu einem Viertel der Pathologen einen gutartigen Objektträger als krebsartig, und im Gegensatz dazu bezeichneten mehrere Pathologen einen bösartigen Objektträger als gutartig.2 Der Einsatz von KI, die nachweislich eine hohe Sensitivität bei der Erkennung von Brustkrebs bietet, wie z. B. Paige Breast, als Zweitmeinungstool könnte also eine verbesserte Entscheidungshilfe bieten, die Pathologen dabei helfen würde, eine Diagnose zu stellen, der sie sich sicher sind.
Eine zweite Herausforderung bei der Brustkrebsdiagnose besteht darin, dass die Identifizierung von Lymphknotenmetastasen häufig von einem allgemeinen Pathologen und nicht von einem Spezialisten vorgenommen wird. Eine 2012 in den Niederlanden durchgeführte Studie ergab, dass eine Gruppe von Fachärzten bei der Überprüfung von Knotenstadien, die von Allgemeinpathologen diagnostiziert worden waren, bei bis zu 24 % dieser Patienten ein Upstaging vornehmen musste.3 Daher könnte eine KI, die anhand eines robusten Datensatzes trainiert wurde, eine höhere Sensitivität bieten, die allen Pathologen bei der Diagnose auf fachlicher Ebene helfen könnte. Insbesondere der Paige-Brustlymphknoten hat sich als effizienter und empfindlicher für den Pathologen erwiesen, wenn es darum geht, Metastasen aufzuspüren, vor allem in kleinen Mikrometern, die sonst schwieriger zu finden sind.4
Darüber hinaus ist die Mitosenzählung, insbesondere unter dem Mikroskop, unter Pathologen als eines der mühsamsten – wenn nicht gar unsympathischsten – Elemente des diagnostischen Prozesses bekannt. Wenn dies manuell geschieht, kann es nicht nur schwierig sein, den Überblick über die Zählung in einer bestimmten Region zu behalten, sondern auch zu wissen, welche Regionen bereits überprüft und berücksichtigt wurden. Hier kommt die KI ins Spiel. KI wie Paige Mitosis Detect kann Pathologen auf Regionen mit der größten Mitosekonzentration hinweisen und automatisch die Anzahl der Mitosen pro Quadratmillimeter in diesen Hotspots berechnen, so dass das mühsame Zählen der Mitosen entfällt und die Pathologen mehr Diagnosesicherheit erhalten.
Die letzte Stufe der Brustkrebsdiagnose ist die Bewertung von Biomarkern wie Ki-67, Östrogenrezeptoren (ER), Progesteronrezeptoren (PR) und HER2, die heute mit Hilfe der Immunhistochemie (IHC), der In-Situ-Hybridisierung (ISH/FISH) und der Beurteilung durch den Pathologen allein erfolgt. Dr. Retamero wies jedoch auf eine Studie aus dem Jahr 2016 hin, in der festgestellt wurde, dass Pathologen mit Hilfe von KI eine bessere Differenzierung zwischen Luminal-A- und Luminal-B-Klassifizierung sowie eine bessere HER2-Klassifizierung vornehmen.5 Dies deutet darauf hin, dass auch hier, wie bei vielen anderen diagnostischen Verfahren, die Macht der Pathologen zusammen mit der künstlichen Intelligenz stärker ist als jede von ihnen allein.
Der vielleicht aufregendste Fortschritt bei der Anwendung von KI auf die Brustkrebsdiagnose ist jedoch ihr Potenzial, unsere Herangehensweise und Diagnose von HER2 zu verändern. Bisher haben wir etwa 15 % der Patientinnen mit HER2 behandelt.6 Kürzlich hat sich jedoch gezeigt, dass eine neue Untergruppe von Patienten, die wir als HER2-arm einstufen, ebenfalls von einer HER2-Behandlung profitieren könnte. Das Problem ist, dass die HER2-Tests, die wir heute verwenden, nicht auf die Diagnose von Patienten am unteren Ende des HER2-Spektrums ausgerichtet sind. KI kann das ändern.
Der KI-gestützte HER2-Assay von Paige, HER2Complete, nutzt zyto-architektonische Muster im Gewebe, um Untergruppen der HER2-Expression innerhalb von IHC-0 zu identifizieren, insbesondere echte HER2-negative Erkrankungen. Mit Hilfe von orthogonalen Proteom- und Genexpressionsmethoden kann HER2Complete die HER2-Expression bei Patienten identifizieren, die derzeit als IHC-negativ (oder IHC-0) eingestuft werden, sowie die Expression bei Patienten mit niedrigem HER2-Gehalt (IHC1+ und 2+/FISH-negativ). Dieser Ansatz soll die bestehenden IHC-Tests ergänzen, so dass möglicherweise nur die diagnostischen Biopsie- oder Resektionspräparate verwendet werden, um tatsächlich HER2-exprimierende Brustkrebsarten zu identifizieren. Wir glauben, dass es in Zukunft möglich sein wird, dass Pathologen mit Hilfe der KI mehr Patienten identifizieren können, die von einer HER2-Behandlung profitieren könnten.
Abschließend erinnerte Dr. Retamero daran, dass KI-Tools den Pathologen bei der Diagnosestellung unterstützen und nicht anstelle des Pathologen diagnostizieren sollen. Das Schöne an der KI ist nur, dass sie Effizienzgewinne bei der Arbeit schafft, in der Pathologen bereits gut sind, und zusätzliche Unterstützung in Bereichen bietet, die möglicherweise schwierig sind. Letzten Endes geht alles auf die Morphologie zurück – ganz gleich, wie wir sie aufschlüsseln. KI ist nur das Mittel, um die in den Geweben enthaltenen Informationen effektiver zu nutzen. Mit diesen Informationen können Pathologen das gesamte Brustkrebsteam mit Zuversicht leiten, um die beste Erfahrung für die Patientinnen zu gewährleisten.
Referenzen
1Campanella, G., Hanna, M.G., Geneslaw, L. et al. Computergestützte Pathologie auf klinischem Niveau mit schwach überwachtem Deep Learning auf ganzen Objektträgerbildern. Nat Med 25, 1301-1309 (2019).
2Elmore, Joann G., et al. „Diagnostische Übereinstimmung zwischen Pathologen, die Brustbiopsieproben interpretieren“. Jama 313.11 (2015): 1122-1132.
3VestjensJHMJ, Pepels MJ, de Boer M, et al. Relevante Auswirkungen der zentralen pathologischen Untersuchung auf die Nodaleinstufung bei einzelnen Brustkrebspatientinnen Ann Oncol. 2012;23(10):2561-2566. doi:10.1093/annonc/mds072
4Basierendauf einer klinischen Studie, an der 3 Pathologen beteiligt waren, und Daten von 148 Patienten.
5StålhammarG, Fuentes Martinez N, Lippert M, et al. Digitale Bildanalyse übertrifft manuelle Biomarker-Bewertung bei Brustkrebs. Mod Pathol. 2016;29(4):318-329. doi:10.1038/modpathol.2016.34
6Tarantino, P. et al., (2020) J Clin Oncol. 10;38(17):1951-1962.
