key: cord-0068444-zqjbpnmn
authors: Forchhammer, Stephan; Hartmann, Tim
title: Digitale Dermatopathologie: Vorteile für Befundung, Forschung und Ausbildung
date: 2021-10-19
journal: Dtsch Dermatolog
DOI: 10.1007/s15011-021-4760-6
sha: 9bf82d38555759ffb76db10ea4e7b22b16bae90b
doc_id: 68444
cord_uid: zqjbpnmn

nan

M it dem Einzug der Digitalisierung steht das Fachgebiet der Pathologie und Dermatopathologie vor einer großen Zeitenwende. Seit dem 19. Jahrhundert erfolgte die histopathologische Diagnostik zunächst an ungefärbten Schnitten aus Frischgewebe, später an fixierten und gefärbten Schnittpräparaten am Mikroskop [1] . Durch das Einscannen und damit die Digitalisierung von Glasobjektträgern durch sogenannte "whole slide scanner" geht die Zeit des klassi-schen Mikroskopierens in der Routinediagnostik möglicherweise dem Ende entgegen -die Befundung der Schnittträger wird künftig am Computerbildschirm erfolgen. So wehmütig einem der Abschied vom lieb gewonnenen Mikroskop fallen mag, die Digitalisierung bietet unzählige Vorteile und Möglichkeiten für Befundung, Forschung und Ausbildung, die am Ende Arzt und Patienten zugutekommen.

Gerade in den letzten beiden Jahren mit der COVID-19-Pandemie hat sich gezeigt, wie wichtig eine Digitalisierung Ein Teilbereich der KI besteht aus dem Konzept des maschinellen Lernens. 1959 definierte Arthur Samuel maschinelles Lernen als "Studienbereich, der Computern die Fähigkeit verleiht, zu lernen, ohne ausdrücklich programmiert zu werden". So mussten zuvor jeweils explizite Programme geschrieben werden, die einzelne Aufgaben abarbeiten konnten.

Prinzipiell wurden hier mit allgemeingültigen Befehlen wie zum Beispiel "wenn" -"dann" Handlungsanweisungen aufgestellt, die der Prozessor Punkt für Punkt abarbeitet. Dies mag am Beispiel von einem Textverarbeitungsprogramm noch trivial erscheinen, nimmt jedoch gerade im Bereich der Daten-und Signalverarbeitung schnell exponentiell an Komplexität zu.

Bereits in den 1960er-Jahren wurden die ersten künstlichen neuronalen Netze entwickelt. Hierbei handelte es sich -wie anfangs dem Perceptron in 1957 und später der Boltzmann-Maschine 1985prinzipiell um Netzwerke, die aus künstlichen Neuronen oder "Knotenpunkten" und deren Verbindungen bestanden. Die Eingangsdaten durchliefen nun diese Knotenpunkte, wurden darin addiert oder nach speziellen anderen mathematischen Formeln transformiert und über die Verbindungen weitergeleitet, um im nachfolgenden Neuron abermals addiert oder anderweitig mathematisch verrechnet zu werden. Am Ende des Netzwerks erschienen schließlich die gewünschten Ausgangsdaten, wie zum Beispiel der Kategorie eines Eingangsbildes, das hinsichtlich seiner Dignität beurteilt werden sollte. [2] . Allerdings muss bei solch hohen prozentualen Angaben immer auch an ein Overfitting, also eine Art "Überanpassung" des künstlichen neuronalen Netzes an die "Eigenheiten" der Eingangsdaten gedacht werden. Hierbei kommt es, übertragen gesprochen, eher zum "Auswendiglernen" der "richtigen Antworten" als zur Etablierung einer allgemeingültigen Zuordnungsregel im Sinne einer Generalisierung. So wäre es beispielsweise möglich, dass ein Netzwerk, bezogen auf eine begrenzte Datenmenge, eine Vorhersagegenauigkeit von 100 % erreicht, jedoch bei einem größeren Datenpool eine deutlich reduzierte Genauigkeit erreicht.

Auch in der Diagnosestellung von malignen Melanomen, eine der herausforderndsten Aufgaben in der Dermatopathologie, könnte der Einsatz von KI sehr nützlich sein, um Fehldiagnosen zu vermeiden. So konnte in einer Arbeit von Hekeler et al. 2019 [3] So können je nach Institutsgröße Beträge in Millionenhöhe für die Umrüstung notwendig sein. Vermutlich werden diese Kosten im Verlauf der nächsten Jahre sinken. Insbesondere im Bereich der Datenspeicher lässt sich dieser Trend in den letzten Jahren beobachten. Dennoch kann schon jetzt eine Umstellung auf eine komplett digitalisierte Pathologie wirtschaftlich rentabel sein. Bereits 2016 wurde die gesamte Pathologie des Universitätskrankenhauses in Granada, Spanien, digitalisiert.

In einer Studie aus dem Jahr 2019 beschreiben Retamero et al. [6] den Umstellungsprozess in Granada. Hier wird eine Effizienzsteigerung auf Seiten der Pathologen mit 21 % mehr befundeter Fälle nach der Digitalisierung genannt. Durch den optimierten Workflow im Labor ergeben sich zudem Einsparungen auf Seiten der medizinisch-technischen Assistenz.

Bislang ist in Deutschland noch kein Institut komplett auf die digitale Pathologie umgestellt. Da der Umrüstungs-prozess aber nicht von heute auf morgen zu bewältigen sein wird, ist es ratsam, schon jetzt Konzepte zu entwickeln, wie solch ein Wandel gelingen kann.

A brief history of pathology: Preface to a forthcoming series that highlights milestones in the evolution of pathology as a discipline

Diagnostic performance ofdeep learning algorithms applied to three common diagnoses in dermatopathology

Pathologist-level classification of histopathological melanoma images with deep neural networks

Dermatologist-level classification of skin cancer with deep neural networks

Deep learning based on standard H&E images of primary melanoma tumors identifies patients at risk for visceral recurrence and death

Complete Digital Pathology for Routine Histopathology Diagnosis in a Multicenter Hospital Network