Klinische Validierung einer durch künstliche Intelligenz unterstützten Pathologiediagnose zeigt signifikante Verbesserung der diagnostischen Genauigkeit bei der Erkennung von Prostatakrebs
Patricia Raciti, MD; Jillian Sue, MS; Juan A. Retamero, MD; Rodrigo Ceballos, MSc; Ran Godrich, MS; Jeremy D. Kunz, MSc; Adam Casson, BS; Dilip Thiagarajan, MS; Zahra Ebrahimzadeh, MSc; Julian Viret, MEng; Donghun Lee, MEng; Peter J. Schüffler, DrSc; George DeMuth, MS; Emre Gulturk, MSc; Christopher Kanan, PhD; Brandon Rothrock, PhD; Jorge Reis-Filho, MD, PhD, FRCPath; David S. Klimstra, MD; Victor Reuter, MD; Thomas J. Fuchs, DrSc
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.
Eine unabhängige Bewertung eines künstlichen Intelligenzsystems zur Erkennung von Prostatakrebs zeigt eine hohe diagnostische Genauigkeit
Moderne Pathologie, Sudhir Perincheri, Angelique Wolf Levi, Romulo Celli, Peter Gershkovich, David Rimm, Jon Stanley Morrow, Brandon Rothrock, Patricia Raciti, David Klimstra, John Sinard, Prostatakrebs ist eine der Hauptursachen für Morbidität und Mortalität bei erwachsenen Männern in den USA. Die Diagnose eines Prostatakarzinoms wird in der Regel anhand von Prostatakernnadelbiopsien gestellt, die durch einen transrektalen Zugang gewonnen werden. Diese Biopsien können einen erheblichen Teil des Arbeitspensums der Pathologen ausmachen, doch können Schwankungen in der Erfahrung und im Fachwissen sowie die Ermüdung der Pathologen die Zuverlässigkeit der Krebserkennung beeinträchtigen. Algorithmen des maschinellen Lernens werden zunehmend als Hilfsmittel zur Verbesserung der Diagnosegenauigkeit in der anatomischen Pathologie entwickelt. Die Paige Prostate AI-basierte digitale Diagnostik ist ein solches Tool, das auf dem digitalen Objektträgerarchiv des New Yorker Memorial Sloan Kettering Cancer Center (MSKCC) trainiert wurde und ein Prostatabiopsie-Ganzbild entweder als „verdächtig“ oder „nicht verdächtig“ für ein prostatisches Adenokarzinom kategorisiert. Um die Leistung dieses Programms bei Prostatabiopsien zu bewerten, die in einer nicht verwandten Einrichtung gesichert, verarbeitet und unabhängig diagnostiziert wurden, haben wir Paige Prostate verwendet, um 1876 Prostatakernbiopsie-Ganzseitenbilder (WSIs) aus unserer Praxis in Yale Medicine zu überprüfen. Die Kategorisierung der Paige-Prostata wurde mit der pathologischen Diagnose verglichen, die ursprünglich für jede Kernbiopsie auf den Objektträgern erstellt wurde. Diskrepanzen zwischen der gestellten Diagnose und der Kategorisierung durch Paige Prostate wurden jeweils von Pathologen mit Fachkenntnissen in der Urogenitalpathologie manuell überprüft. Paige Prostate zeigte eine Sensitivität von 97,7 % und einen positiven prädiktiven Wert von 97,9 % sowie eine Spezifität von 99,3 % und einen negativen prädiktiven Wert von 99,2 % bei der Identifizierung von Kernbiopsien mit Krebs in einem Datensatz, der von einer unabhängigen Einrichtung stammt. Verbesserungswürdig ist der Umgang von Paige Prostate mit qualitativ schlechten Scans. Insgesamt zeigen diese Ergebnisse, dass es möglich ist, einen maschinellen Lernalgorithmus auf eine Einrichtung zu portieren, die sich nicht in der Nähe der Trainingsgruppe befindet, und unterstreichen das Potenzial solcher Algorithmen als leistungsfähiges Workflow-Tool für die Bewertung von Prostata-Kernbiopsien in chirurgisch-pathologischen Praxen.
Neuartiges System der künstlichen Intelligenz verbessert die Erkennung von Prostatakrebs in Ganzkörperbildern von Kernnadelbiopsien
Modern Pathology, Patricia Raciti, Jillian Sue, Rodrigo Ceballos, Ran Godrich, Jeremy D. Kunz, Supriya Kapur, Victor Reuter, Leo Grady, Christopher Kanan, David S. Klimstra, Thomas J. Fuchs, Prostatakrebs (PrCa) ist der zweithäufigste Krebs bei Männern in den Vereinigten Staaten. Der Goldstandard für den Nachweis von PrCa ist die Untersuchung von Prostata-Nadelkernbiopsien. Die Diagnose kann schwierig sein, insbesondere bei kleinen, gut differenzierten Krebsarten. In jüngster Zeit wurden Algorithmen für maschinelles Lernen entwickelt, um PrCa in ganzen Objektträgerbildern (WSI) mit hoher Testgenauigkeit zu erkennen. Die Auswirkungen dieser Systeme der künstlichen Intelligenz auf die pathologische Diagnose sind jedoch nicht bekannt. Um dieses Problem zu lösen, haben wir untersucht, wie Pathologen mit Paige Prostate Alpha, einem hochmodernen System zur Erkennung von PrCa, in WSIs von mit Hämatoxylin und Eosin gefärbten Prostata-Nadelkernbiopsien interagieren. Drei AP-zertifizierte Pathologen bewerteten 304 anonymisierte Prostata-Nadelkernbiopsie-WSI in 8 Stunden. Die Pathologen stuften jeden WSI als gutartig oder krebsartig ein. Nach ~4 Wochen wurden die Pathologen damit beauftragt, jeden WSI mit Hilfe von Paige Prostate Alpha erneut zu überprüfen. Für jede WSI wurde Paige Prostate Alpha zur Krebserkennung verwendet, und für WSIs, bei denen Krebs entdeckt wurde, markierte das System den Bereich, in dem mit der höchsten Wahrscheinlichkeit Krebs entdeckt wurde. Die ursprüngliche Diagnose für jeden Objektträger wurde von Urogenitalpathologen gestellt und umfasste alle während der ursprünglichen Diagnose angeforderten Zusatzuntersuchungen. Anhand dieser Grundwahrheit wurden die Pathologen und Paige Prostate Alpha gemessen. Ohne Paige Prostate Alpha hatten die Pathologen eine durchschnittliche Sensitivität von 74 % und eine durchschnittliche Spezifität von 97 %. Mit Paige Prostate Alpha stieg die durchschnittliche Sensitivität für Pathologen deutlich auf 90 %, ohne dass sich die Spezifität statistisch signifikant verändert hätte. Mit Paige Prostate Alpha klassifizierten die Pathologen kleinere, niedriggradigere Tumore häufiger richtig und benötigten weniger Zeit für die Analyse der einzelnen WSI. Künftige Studien werden untersuchen, ob sich ein ähnlicher Nutzen ergibt, wenn ein solches System zur Erkennung anderer Krebsarten in einer Umgebung eingesetzt wird, die der Praxis näher kommt.
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.
