Künstliche Intelligenz könnte die intraoperative Klassifikation von Hirntumoren beschleunigen

  • Nature Medicine

  • von Michael Simm
  • Studien – kurz & knapp
Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten. Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten.

Kernbotschaften

Eine innovative Kombination aus Analysetechnik und Künstlicher Intelligenz kann intraoperativ Gewebeproben von Hirntumoren auswerten. Die Methode ist dabei deutlich schneller und mindestens so genau wie Pathologen, die Gewebeschnitte fixieren, färben und deuten müssen.

Hintergrund

Von den 15,2 Millionen Menschen, bei denen jährlich eine Krebserkrankung diagnostiziert wird, müssen sich mehr als 80 % einer Operation unterziehen. Häufig wird dabei noch während des Eingriffs anhand einer Gewebeprobe eine vorläufige Diagnose erstellt, was ausser einem hochqualifizierten Pathologen auch einen enormen logistischen Aufwand erfordert. Diese Barrieren für eine zügige und effektive chirurgische Versorgung wollten die Autoren durch eine Kombination fortgeschrittener histologischer/bildgebender Verfahren und Analysetechniken senken.

Design

Berichtet wird über die Entwicklung eines Arbeitsablaufs, bei dem mittels stimulierter Raman-Histologie (SRH) aus unprozessierten Gewebeproben Bilder im Submikrometer-Bereich angefertigt werden. Strukturelle und histologische Merkmale sind hier ähnlich gut erkennbar sind wie bei konventionellen gefärbten Schnitten. Mehr als 2,5 Millionen derartiger Bilder, die zu bereits klassifizierten Hirntumoren von 415 Patienten gehörten, wurden dann genutzt, um ein sogenanntes Convolutional Neural Network (CNN) zu trainieren – eine von biologischen Prinzipien inspirierte Software aus dem Bereich des maschinellen Lernens. Die Leistung dieses Systems wurden schließlich in einer prospektiven klinischen Studie mit 278 Hirntumor-Patienten mit denen professioneller Pathologen verglichen und auf Nicht-Unterlegenheit getestet.

Ergebnisse

  • Die Tumordiagnose im Operationssaal erfolgte durch das SRH-CNN-System in weniger als 150 Sekunden, was eine Größenordnung schneller ist als konventionelle Systeme.
  • Im Vergleich zur finalen klinischen Diagnose betrug die Genauigkeit für die konventionelle Histologie 93,9 % und für das SRH-CNN-System 94,6 %. Im Gegensatz zu den Pathologen hatte das KI-System dabei keinen Zugang zu den klinischen und radiologischen Befunden der Patienten.
  • Bei allen 17 durch Pathologen falsch klassifizierten Tumoren war die Diagnose des KI-Systems korrekt. Umgekehrt hatten die Pathologen alle 14 Tumoren richtig eingeordnet, bei denen das KI-System falsch lag.
  • Mit einem zusätzlichen Bewertungssystem (Mahalanobis distance-based confidence scoring system) gelang es dem KI-System, auch jene 9 seltenen Tumoren bei 13 Patienten zu identifizieren, für die es mangels Daten nicht trainiert werden konnte.

Klinische Bedeutung

In vielen Ländern herrscht Personalmangel auf dem Gebiet der Neuropathologie. Auch wenn in die Befundung zunehmend molekularbiologische Daten mit einfließen, so ist doch die intraoperative Diagnose stark von der Interpretation zytologischer und struktureller Gewebeeigenschaften abhängig. In dieser spezifischen Arbeit wird gezeigt, dass ein System, welches auf dem Prinzip der künstlichen Intelligenz beruht, in Kombination mit der Raman-Histologie eine unterstützende Rolle spielen könnte, um zwischen den zehn häufigsten Hirntumoren zu unterscheiden.

Finanzierung: National Cancer Institute, Neurosurgery Research Education Fund, University of Michigan MTRAC, und The Cook Family Foundation.