Droht Pathologen die Arbeitslosigkeit? – Die Zukunft von künstlicher Intelligenz (KI) in der Pathologie

Im Jahr 2017 veröffentlichte Google einen Blogbeitrag, in dem die Ergebnisse einer Studie zur Anwendung von Convolutional Neural Networks (CNN) bei der Erkennung von Lymphknotenmetastasen in digitalen Gewebeschnittbildern vorgestellt wurden. Die Algorithmen erzielten in der Tumordetektion eine Sensitivität von 92,4 %. Eine Vergleichsgruppe aus Pathologen erkannte nur 73,2 % der Metastasen. Im Durchschnitt zeigte die künstliche Intelligenz acht falsch positive Testergebnisse pro Präparat, stufte also in acht Fällen normale Zellen fälschlicherweise als maligne ein. Hier erbrachten die Pathologen eine bessere Leistung: bei Ihnen lag die Anzahl an falsch positiven Ergebnissen bei null.1
Gibt es für Pathologen Grund zur Besorgnis, in naher Zukunft durch intelligente Algorithmen ersetzt zu werden?

Das Prinzip

Durch maschinelles Lernen optimiert ein Programm anhand statistischer Modelle seine herausgegebenen Daten (Output) entsprechend einer vorgegebenen Zielstellung. Es gibt zwei wesentliche Methoden, ein Programm zum Lernen zu bringen: „supervised-“ und „unsupervised learning“. Beim supervised Learning wird das Programm mithilfe von Beispielen trainiert, wohingegen man beim unsupervised learning das Programm die gesuchten charakteristischen Merkmale selbst herausarbeiten lässt. Wie der Name schon sagt, basieren Convolutional Neural Networks auf einem neuronalen Netz und werden insbesondere für die Analyse von Bilddaten genutzt. Aus diesem Grund eignen sie sich gut für die Schnittbilddiagnostik. Die Praktikabilität von Machine Learning für die Pathologie ist allerdings nicht nur auf die Tumorerkennung beschränkt. So wären beispielsweise auch Anwendungen im Bereich des Grading von Tumoren denkbar.2

Ohne digitale Pathologie keine KI

Eine wichtige Voraussetzung für Machine Learning ist das Vorhandensein einer ausreichenden Menge an Trainings- und Testdaten. Folglich müssen im Voraus histologische Präparate digitalisiert und die darin enthaltenen Strukturen (Gewebearten, Zellen, Tumore etc.) korrekt beschriftet werden. Heutzutage existieren bereits eine Reihe von digitalen „Bibliotheken“ dieser Art, wie beispielsweise die „Acute Lymphoblastic Leukemia Image Database for Image Processing“ (ALL-IDB). Doch verglichen mit der Radiologie gestaltet sich in der Pathologie die Akquirierung von digitalen Bilddaten recht aufwendig. Eine mögliche Alternative könnten synthetische Daten bieten, wie sie bisher schon in der Kernkraftforschung und bei der Entwicklung von autonomen Fahrzeugen benutzt wurden.3

Welche Herausforderungen gibt es?

Für die Umstellung der Pathologie von analog auf digital wird viel Speicherplatz erforderlich sein. Die damit verbundenen Kosten werden eine Herausforderung für pathologische Institute und die übergeordneten Kliniken oder Krankenhäuser darstellen. Als weitere Hürde auf dem Weg zur Implementierung von künstlicher Intelligenz in den klinischen Alltag gilt die Klärung der rechtlichen Aspekte. Übernimmt der Arzt die Haftung für eine Diagnose, die wesentlich mithilfe eines Algorithmus zustande gekommen ist? Für den Fall, dass der Pathologe letztlich die Verantwortung trägt, muss er größtes Vertrauen in den Algorithmus setzen können. Damit eine KI-Anwendung die dafür notwendige Verlässlichkeit mit sich bringt, braucht es daher strengste Validierungsprozesse.2

Liefert Google die Lösung?

Im April 2018 gab Google bekannt, ein sogenanntes „Augmented Reality Microscope“ (ARM) entwickelt zu haben. Nach dem Prinzip der erweiterten Realität werden dem Pathologen während der Analyse eines lichtmikroskopischen Präparates die optischen Hinweise eines Machine Learning Algorithmus in Echtzeit auf das Sichtfeld projiziert. Durch diese Adaptation wird der Zwischenschritt der Bilddigitalisierung übersprungen. Die künstliche Intelligenz kommt also direkt auf dem realen Präparat zum Einsatz. Das ARM soll prinzipiell in der Lage sein, mehrere unterschiedliche visuelle Werkzeuge wie Pfeile, Konturen und Animationen anzuwenden. Auch lassen sich je nach Aufgabe unterschiedliche Algorithmen installieren, sei es zum Beispiel zur Quantifizierung oder Klassifizierung. Laut Google besteht die Möglichkeit, Lichtmikroskope rund um den Globus mit der Augmented-Reality-Technologie auszustatten.4

Der Pathologe der Zukunft

Aktuell gibt es schon einige Bildanalyse-Tools mit engen Anwendungsbereichen für die Pathologie, wie zum Beispiel in der Tumorerkennung (s. o.) oder zur Untersuchung des Östrogenrezeptorstatus. Außerdem liegen mittlerweile Instrumente zur immunhistochemischen Bestimmung der Biomarker Her-2 und Ki67 vor.2 Doch wie geht es weiter?
Fest steht, dass Anstrengungen mit dem Ziel die Digitalisierung in der Pathologie voranzutreiben, gleichzeitig die vermehrte Einführung von KI begünstigen. Denn je mehr Daten verfügbar sind, desto mehr Möglichkeiten ergeben sich im Machine Learning und desto besser werden bereits vorhandene Systeme. Schließlich ließen sich potenziell viele limitierte künstlichen Intelligenzen mit spezifischen Funktionen („narrow AI“) kombinieren, die somit in ihrer Gesamtheit einen breiten Anwendungsbereich bieten.3
Des Weiteren werden sich im Zuge der digitalen Pathologie die Ausbildungsanforderungen dieser ärztlichen Profession ändern. Die Pathologen der Zukunft sollten neben ihrer klassischen medizinischen Expertise zumindest über ein Grundverständnis zur Funktionsweise von maschinellem Lernen verfügen. Vorstellbar ist letztlich ein Wandel des Berufsbildes in eine technologisch betontere Richtung, womöglich gar mit der Spezialisierung mancher Mediziner zum „computational pathologist“.2

Zusammengefasst besteht für Pathologen also keine Gefahr in naher Zukunft ersetzt zu werden. Jedoch werden durch die Zusammenarbeit mit künstlicher Intelligenz voraussichtlich einige repetitive diagnostische Tätigkeiten wegfallen und dafür neue Aufgabenfelder hinzukommen.

Quellen:

1 Stumpe, Martin; Peng, Lily (2017): Assisting Pathologists in Detecting Cancer with Deep Learning | March 2017. In: Google AI Blog (Weblog), 03. März 2017. Online-Publikation: https://ai.googleblog.com/2017/03/assisting-pathologists-in-detecting.html
Abrufdatum: 16. Januar 2021.

2 Colling, Richard et al. “Artificial intelligence in digital pathology: a roadmap to routine use in clinical practice.” The Journal of pathology vol. 249,2 (2019): 143-150. doi:10.1002/path.5310 https://pubmed.ncbi.nlm.nih.gov/31144302/

3 Yao, Keluo, et al. „Artificial Intelligence in Pathology: A Simple and Practical Guide.“ Advances in Anatomic Pathology 27.6 (2020): 385-393. https://pubmed.ncbi.nlm.nih.gov/32773432/

4 Mermel, Craig; Stumpe, Martin (2018): An Augmented Reality Microscope for Cancer Detection | April 2018. In: Google AI Blog (Weblog), 16. April 2018. Online-Publikation: https://ai.googleblog.com/2018/04/an-augmented-reality-microscope.html
Abrufdatum: 16. Januar 2021.

Bild von Chokniti Khongchum auf Pixabay

Mattes Groß

Mattes ist Medizinstudent in München.

Alle Beiträge ansehen von Mattes Groß →

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.