Ist der Tumor bösartig? Bei der Beantwortung dieser Frage hilft die mikroskopische Mitosezählung. Allerdings kommen unterschiedliche Untersuchende häufig zu sehr variablen Ergebnissen – mit der Konsequenz, dass die Therapieentscheidung falsch ausfallen kann. Ein Team um Christof Bertram vom Institut für Pathologie der Vetmeduni Vienna zeigte, dass die Unterstützung einer Künstlichen Intelligenz die Befunde signifikant verbessern kann. Wir haben mit dem Forscher über die Zukunft von Algorithmen in der Veterinärpathologie gesprochen.
Sie forschen u.a. an KI-gestützter Tumordiagnostik beim Hund oder der Auswertung von BALF-Proben beim Sportpferd. Wie erfolgreich lassen sich diese Untersuchungen bereits automatisieren?
Dr. Christof Bertram: Ich habe im Forschungskontext verschiedene KI-basierte Algorithmen untersucht, jeweils im Vergleich zu der Leistung von erfahrenen Pathologen und Pathologinnen. Mein Schwerpunkt war die Auswertung von diversen prognostischen Tumormarkern, vor allem Mitosezählung, seit einem Jahr die Auswertung von Zellkerngrößen, die nukleäre Morphometrie, und das Lungenbluten vom Sportpferd.
Alle bisher entwickelten Algorithmen hatten eine sehr gute Leistung und waren im Durchschnitt besser als erfahrene Pathologen und Pathologinnen. Ganz zu schweigen von der niedrigen Reproduzierbarkeit von Pathologen und Pathologinnen, die wir in den Studien nachweisen konnten! Gerade diese niedrige Reproduzierbarkeit ist in vielen Fällen die Motivation KI-basierte Algorithmen zu entwickeln.
Top Job:
Top Job:
Wie ist der aktuelle Stand zu KI-gestützter Diagnostik in der Pathologie?
Bertram: Derzeit sind KI-gestützte Algorithmen vorwiegend Bestandteil der Forschung und werden bisher nur vereinzelt in der Routinediagnostik in Pathologielaboren verwendet. Die potenziellen Vorteile für Diagnostiklabore sind jedoch groß, insbesondere auch im Hinblick auf die Wirtschaftlichkeit. Es ist eine stetig steigende Relevanz von KI-gestützten Algorithmen in den kommenden Jahren zu erwarten. Insbesondere große Labore, die bereits einen vollständigen digitalen Arbeitsfluss haben und Untersuchung an digitalisierten histologischen Präparaten durchführen, erwägen die Integration von Algorithmen, vor allem um den Arbeitsaufwand für quantitative Messungen (wie die Mitosezählung) zu verringern, ohne die diagnostische Aussagekraft zu reduzieren.
Und wie wird Ihrer Einschätzung nach die Zukunft aussehen?
Bertram: Nach meiner Einschätzung werden KI-basierte Algorithmen bereits im nächsten Jahrzehnt eine große Rolle in der Routinediagnostik von Pathologielaboren spielen. Ein Großteil der Labore wird die digitale Mikroskopie nutzen – das Vorhandensein von digitalen Bildern ist die Grundvoraussetzung für die Anwendung von Algorithmen. Die Verfügbarkeit von ausreichenden Rechenleistungen steigt, und es wird zunehmend an KI-basierten Algorithmen geforscht. Dabei fehlt es allerdings noch an robusten Algorithmen. Sehr gute KI-Modelle sind jedoch bereits vorhanden bzw. erforscht und zum Entwickeln von robusten Algorithmen fehlen oft in erster Linie gute Datensätze für die jeweilige Fragestellung.
Wird KI menschliche Pathologen und Pathologinnen ablösen?
Bertram: Generell sind Pathologen bzw. Pathologinnen eine recht teure „Untersuchungsmethode“ mit schlechter Reproduzierbarkeit und teilweise mäßiger Genauigkeit – insbesondere bei semi-quantitativen Aufgaben. Nach jahrelanger Ausbildung sind sie recht gut in qualitativen Diagnosen wie der Interpretation des zugrundeliegenden Krankheitsprozesses. Quantitiative Diagnosen, also z.B. Tumor Grading oder Scoringsysteme wie der Hämosiderin- Score für das Lungenbluten beim Pferd sind aber oft nicht gut reproduzierbar und mit einem sehr hohen Zeitaufwand verbunden.
Da liegt der Vorteil von Algorithmen: Sie können quantitative Fragstellungen reproduzierbar lösen und den Zeitaufwand reduzieren. Zum Beispiel ist die Einschätzung unterschiedlicher Zellkerngrößen, also der nukleären Pleomorphie, durch Menschen sehr variabel. Das Vermessen der Zellkerne ist zwar ohne weiteres an digitalen Bildern möglich, dauert aber eine Viertelstunde für ca. 100 Zellkerne. Algorithmen können in wenigen Sekunden tausende Zellkerne mit hoher Genauigkeit vermessen, wie wir derzeit bei kaninen Mastzelltumoren und Lungenkarzinomen erforschen. Für die Mitosezählung konnten wir feststellen, dass Algorithmen helfen, die richtige Tumorregion mit der höchsten Dichte an Mitosefiguren zu finden. So wird nichts übersehen.
Aufgrund der potenziellen Fehleranfälligkeit von Algorithmen wird es oft sinnvoll sein, diese für eine sogenannte Computer-assistierte Diagnose zu verwenden, mit Kontrolle durch Pathologen und Pathologinnen in unterschiedlichen Ausmaß. Bei der Zellkernvermessung kann ich mir vorstellen, dass das der Algorithmus alleine übernimmt, weil er vermutlich zuverlässige Ergebnisse liefert. In anderen Fällen hilft der Algorithmus vielleicht nur dabei, die zu untersuchende Region zu identifizieren und die gesuchten Objekte (wie Mitosefiguren) mit hoher Sensitivität der Pathologin oder dem Pathologen vorzuschlagen.
Bei quantitativen Diagnosen sind wir Menschen einfach eingeschränkt. Ich denke es ist nicht sinnvoll den Menschen in den Dingen zu ersetzen, die wir gut können, sondern ihm Unterstützung durch Algorithmen anzubieten überall da, wo wir Probleme haben. Die Arbeitsweise wird sich ändern, der Bedarf an Pathologen und Pathologinnen wird aber weiterhin bestehen bleiben. Die sind gut darin, anhand der erhobenen histologischen Kriterien unten Einbindung von diversen zusätzlichen Informationen (z.B. den klinischen Vorbericht) die wahrscheinlichste Diagnose und mögliche Differenzialdiagnosen abzuwägen. Dem Algorithmus fehlt die Fähigkeit zum logischen Denken, die wir Menschen haben.
So lassen Katzen ihre Beute draußen
Wo sehen Sie die größten Risiken der Unterstützung durch KI?
Bertram: Algorithmen sind nicht fehlerfrei, wobei die Entscheidungskriterien und Fehlerquellen in aller Regel nicht einfach nachvollziehbar sind. Ein wichtiges Thema ist die Robustheit von Algorithmen, also die Genauigkeit in Abhängigkeit von verschiedenen Bildeigenschaften. Zum Beispiel haben unterschiedliche Scanner verschiedene Eigenschaften: u.a. Farben, Tiefenschärfen. Das kann einen Algorithmus sehr „verwirren“. So kann ein anderer Scanner als der für die Entwicklung des Algorithmus verwendete vermehrt unerwartete Fehler bei der Bildanalyse verursachen. Alle möglichen Einflussfaktoren bei einem „Domain Shift“ (Scanner, Tumortyp, Färbemethode etc.) müssen bei der Entwicklung des Algorithmus berücksichtigt werden, damit dieser robust ist. Weiterhin sind noch Validierungsstudien für die KI-basierten Algorithmen notwendig, um die Risiken und Vorteile besser einschätzen zu können.
Die Datensätze, die wir momentan für das Algorithmen-Training haben, sind einfach noch nicht groß und variabel genug, um robuste Algorithmen zu entwickeln. In der Zukunft brauchen wir außerdem geprüfte Datensätze, die eine unabhängige Validierung von Algorithmen ermöglichen. Gerade in der Pathologie sind wir es gewohnt immer der „Goldstandard“ zu sein, wir haben kaum die Möglichkeit die Genauigkeit von quantitativen Beurteilungen zwischen einzelnen Pathologinnen und Pathologen zu harmonisieren. Wird ein neuer Bluttest etabliert, gibt es zahlreiche Vergleiche mit anderen Tests, es werden Fehlerraten erfasst etc. Das gibt es in der Pathologie so noch nicht und ich hoffe, dass sich das ändert, bevor KI in großem Stil angewendet wird.
Was ändert sich für die Praktikerinnen und Praktiker, wenn eine KI die pathologische Diagnostik macht?
Bertram: Für die Auswertung von zytologischen Präparaten in der Tierarztpraxis wird es möglich werden eine KI-basierte „Zweitmeinung“ einzuholen. Die Praktikerin oder der Praktiker erstellt z.B. einen zytologischen Ausstrich, lädt ein Bild davon hoch und ein Algorithmus wertet es aus: Ist es ein Histiozytom oder ein Mastzelltumor? Solche Algorithmen sind natürlich sehr praktische Tools für unerfahrene Zytologen, da man schnell eine Unterstützung in der Bildinterpretation bekommen kann.
Für die Pathologie wird das so nicht funktionieren, denn die Probenaufarbeitung ist in der normalen Praxis nicht möglich und die großen Scanner viel zu hochpreisig. Die Proben werden also weiterhin ins Labor geschickt und am Verfahren wird sich für praktizierende Tierärztinnen und Tierärzte wenig ändern. Meine Hoffnung ist aber, dass das, was nachher im Befund steht, genauer und reproduzierbarer ist. Das ist das Ziel unserer Forschung: aussagekräftigere Ergebnisse durch die Unterstützung von Algorithmen insbesondere in der quantitativen Diagnostik.
