Unabhängige praktische Anwendung eines automatisierten Systems zur Erkennung von Prostatakrebs in klinischer Qualität
Leonard M da Silva, Emilio M Pereira, Paulo Go Salles, Ran Godrich, Rodrigo Ceballos, Jeremy D Kunz, Adam Casson, Julian Viret, Sarat Chandarlapaty, Carlos Gil Ferreira, Bruno Ferrari, Brandon Rothrock, Patricia Raciti, Victor Reuter, Belma Dogdas , George DeMuth , Jillian Sue, Christopher Kanan , Leo Grady , Thomas J Fuchs, Jorge S Reis-Filho, Artificial Intelligence; Deep Learning; Diagnose; Histopathologie; Maschinelles Lernen; Prostatakrebs; Screening, Auf künstlicher Intelligenz (KI) basierende Systeme, die auf histopathologische Ganzseitenbilder angewandt werden, haben das Potenzial, die Patientenversorgung zu verbessern, indem sie die Herausforderungen, die sich aus der diagnostischen Variabilität, der Fallzahl in der Histopathologie und dem Mangel an Pathologen ergeben, mildern. Wir haben versucht, die Leistung eines KI-basierten automatischen Prostatakrebserkennungssystems, Paige Prostate, bei der Anwendung auf unabhängige reale Daten zu definieren. Mit Hilfe des Algorithmus wurden die Objektträger in zwei Kategorien eingeteilt: gutartig (keine weitere Untersuchung erforderlich) oder verdächtig (zusätzliche histologische und/oder immunhistochemische Analyse erforderlich). Wir bewerteten die Sensitivität, Spezifität, positiven prädiktiven Werte (PPVs) und negativen prädiktiven Werte (NPVs) eines lokalen Pathologen, zweier zentraler Pathologen und von Paige Prostate bei der Diagnose von 600 transrektalen ultraschallgeführten Prostata-Nadelkernbiopsie-Regionen („Teilproben“) von 100 konsekutiven Patienten, und um den Einfluss von Paige Prostate auf die diagnostische Genauigkeit und Effizienz zu ermitteln. Paige Prostate zeigte eine hohe Sensitivität (0,99; CI 0,96-1,0), einen hohen NPV (1,0; CI 0,98-1,0) und eine hohe Spezifität (0,93; CI 0,90-0,96) auf der Ebene der Teilproben. Auf Patientenebene zeigte Paige Prostate optimale Sensitivität (1,0; CI 0,93-1,0) und NPV (1,0; CI 0,91-1,0) bei einer Spezifität von 0,78 (CI 0,64-0,89). Bei den 27 von Paige Prostate als verdächtig eingestuften Teilproben, deren endgültige Diagnose gutartig war, handelte es sich um Atrophie (n = 14), Atrophie und apikales Prostatagewebe (n = 1), apikales/gutartiges Prostatagewebe (n = 9), Adenose (n = 2) und post-atrophische Hyperplasie (n = 1). Paige Prostate führte zur Identifizierung von vier zusätzlichen Patienten, deren Diagnosen von gutartig/verdächtig auf bösartig hochgestuft wurden. Außerdem konnte mit diesem KI-basierten Test die Diagnosezeit für das analysierte Material um schätzungsweise 65,5 % reduziert werden. Angesichts der optimalen Sensitivität und des NPV hat Paige Prostate das Potenzial, für die automatische Identifizierung von Patienten eingesetzt zu werden, deren histologische Objektträger auf eine vollständige histopathologische Untersuchung verzichten könnten. Dieses KI-gestützte System bietet nicht nur schrittweise Verbesserungen bei der diagnostischen Genauigkeit und Effizienz, sondern identifiziert auch Patienten, deren Prostatakrebs von drei erfahrenen Histopathologen zunächst nicht diagnostiziert wurde. © 2021 Die Autoren. The Journal of Pathology, herausgegeben von John Wiley & Sons, Ltd. im Auftrag der Pathological Society of Great Britain and Ireland.
Validierung eines digitalen Pathologiesystems mit Fernüberprüfung während der COVID-19-Pandemie
Moderne Pathologie, Matthew G. Hanna, Victor E. Reuter, Orly Ardon, David Kim, Sahussapont Joseph Sirintrapun, Peter J. Schüffler, Klaus J. Busam, Jennifer L. Sauter, Edi Brogi, Lee K. Tan, Bin Xu, Tejus Bale, Narasimhan P. Agaram, Laura H. Tang, Lora H. Ellenson, John Philip, Lorraine Corsale, Evangelos Stamelos, Maria A. Friedlander, Peter Ntiamoah, Marc Labasin, Christine England, David S. Klimstra, Meera Hameed, Remote digital pathology allows healthcare systems to maintain pathology operations during public health emergencies. Die bestehenden Vorschriften zur Verbesserung des klinischen Labors (Clinical Laboratory Improvement Amendments) sehen vor, dass Pathologen die Patientenberichte einer zertifizierten Einrichtung elektronisch überprüfen müssen. Während der COVID-19-Pandemie 2019, die durch das SAR-CoV-2-Virus verursacht wird, setzt diese Anforderung Pathologen, ihre Kollegen und Haushaltsmitglieder potenziell dem Risiko einer Ansteckung aus. Die Lockerung der behördlichen Durchsetzung dieser Vorschrift ermöglicht es Pathologen, pathologische Proben aus einer entfernten, nicht von der CLIA zertifizierten Einrichtung zu prüfen und zu melden. Die Verfügbarkeit digitaler Pathologiesysteme kann die mikroskopische Ferndiagnose erleichtern, obwohl eine formale, umfassende (fallbasierte) Validierung der digitalen Ferndiagnose noch nicht erfolgt ist. Alle Objektträger aus Glas, die für die routinemäßige klinische Befundung in den chirurgisch-pathologischen Fachbereichen des Memorial Sloan Kettering Cancer Center bestimmt waren, wurden mit einem Aperio GT450 mit einer Auflösung von ×40 (0,26 µm/Pixel) gescannt. Zwölf Pathologen aus neun Fachgebieten der chirurgischen Pathologie überprüften und meldeten vollständige Pathologiefälle mit einem digitalen Pathologiesystem aus einer nicht von CLIA zertifizierten Einrichtung über eine sichere Verbindung. Die Bilder ganzer Objektträger wurden in das Laborinformationssystem integriert und von dort aus mit einem benutzerdefinierten, anbieterunabhängigen Bildbetrachter für ganze Objektträger aufgerufen. Für die Fernabmeldung wurden Computer und Monitore der Verbraucherklasse (Bildschirmgröße 13,3 bis 42 Zoll; Auflösung 1280 × 800 bis 3840 × 2160 Pixel) verwendet, die über ein sicheres virtuelles privates Netzwerk mit einer klinischen Workstation der Einrichtung verbunden waren. Die Pathologen untersuchten anschließend alle entsprechenden Objektträger mit einem Lichtmikroskop in der CLIA-zertifizierten Abteilung. Die Intrabeobachter-Konkordanzkriterien umfassten die Berichtselemente Top-Line-Diagnose, Randstatus, lymphovaskuläre und/oder perineurale Invasion, pathologisches Stadium und Zusatzuntersuchungen. Die Dateigröße der gesamten Objektträger betrug im Median 1,3 GB, die durchschnittliche Scandauer pro Objektträger 90 s und die gescannte Gewebefläche im Durchschnitt 612 mm2. Die Signout-Sitzungen umfassten insgesamt 108 Fälle, die sich aus 254 Einzelteilen und 1196 Folien zusammensetzten. Die diagnostische Äquivalenz zwischen digitalen und Glasobjektträger-Diagnosen lag bei 100 %, die Gesamtübereinstimmung bei 98,8 % (251/254). Diese Studie berichtet über die Validierung der primären diagnostischen Überprüfung und der Berichterstattung über vollständige Pathologiefälle von einem entfernten Standort aus während eines öffentlichen Gesundheitsnotfalls. Unsere Erfahrung zeigt eine hohe (100 %) Übereinstimmung zwischen digitalen und Glasobjektträgern bei der Befundung von einem entfernten Standort aus. In dieser randomisierten, prospektiven Studie wurde die Fernnutzung eines digitalen Pathologiesystems erfolgreich validiert, einschließlich der operativen Durchführbarkeit, die die Fernprüfung und -befundung von Pathologieproben unterstützt, sowie der Bewertung der Fernzugriffsleistung und der Benutzerfreundlichkeit für die Fernabmeldung.
Computergestützte klinische Pathologie mit schwach überwachtem Deep Learning auf ganzen Objektträgerbildern
Nature Medicine, Gabriele Campanella, Matthew G. Hanna, Luke Geneslaw, Allen Miraflor, Vitor Werneck Krauss Silva, Klaus J. Busam, Edi Brogi, Victor E. Reuter, David S. Klimstra, Thomas J. Fuchs, Die Entwicklung von Entscheidungsunterstützungssystemen für die Pathologie und ihr Einsatz in der klinischen Praxis werden durch den Bedarf an großen, manuell annotierten Datensätzen behindert. Um dieses Problem zu überwinden, stellen wir ein auf Multiple-Instance-Learning basierendes Deep-Learning-System vor, das nur die gemeldeten Diagnosen als Beschriftungen für das Training verwendet und dadurch teure und zeitaufwändige manuelle Pixel-Annotationen vermeidet. Wir haben dieses System anhand eines Datensatzes von 44.732 vollständigen Objektträgerbildern von 15.187 Patienten ohne jegliche Form der Datenkuratierung evaluiert. Tests an Prostatakrebs, Basalzellkarzinom und Brustkrebsmetastasen in axillären Lymphknoten ergaben für alle Krebsarten Flächen unter der Kurve von über 0,98. Seine klinische Anwendung würde es den Pathologen ermöglichen, 65-75 % der Objektträger auszuschließen und dabei eine Sensitivität von 100 % beizubehalten. Unsere Ergebnisse zeigen, dass dieses System in der Lage ist, genaue Klassifizierungsmodelle in einem noch nie dagewesenen Umfang zu trainieren und damit die Grundlage für den Einsatz von computergestützten Entscheidungsunterstützungssystemen in der klinischen Praxis zu schaffen.
