Automatische Bildanalyse und künstliche Intelligenz in der Nephropathologie

Abstract

Hintergrund Die digitale Transformation der Pathologie durch die weite Verbreitung von sog. Whole-slide-Scannern bietet zahlreiche Möglichkeiten für die Nephropathologie, insbesondere hinsichtlich der Implementierung von Computerassistenz. Aktuell werden intensiv die Möglichkeiten von Systemen, die auf der Nutzung von Deep Learning, einer speziellen Technik der Informationsverarbeitung, beruhen, erforscht. Fragestellung Ziel ist die Ermittlung des gegenwärtigen Standes der Forschung hinsichtlich Anwendungen von Deep-Learning-Methoden zur Bildanalyse in der Nephropathologie. Material und Methoden Literaturrecherche im Web of Science (WOS) und in Pubmed. Für Abbildung 1 wurde die folgende Suchabfrage im WOS genutzt: ALL=(Digital Pathology AND AI OR Deep Learning OR Machine Learning). Ergebnisse Es liegen zahlreiche Anwendungen von Deep-Learning-basierten Methoden zur Unterstützung in der Nephropathologie vor. Diese fokussieren im Wesentlichen auf die Segmentierung und Quantifizierung der Nierenhistologie, wobei zunehmend auch die diagnostische Klassifikation und die Generierung synthetischer Daten erforscht werden. Die Translation dieser Systeme in den diagnostischen Alltag ist gegenwärtig noch nicht erfolgt. Es fehlt dazu beispielsweise an prospektiver Evidenz, die den Nutzen dieser Methoden in der klinischen Versorgung darlegt. Diskussion Die Implementierung der digitalen Nephropathologie mit Assistenz durch auf Deep Learning basierenden Methoden hat ein großes Potenzial. Die translationale Lücke sollte in Zukunft durch multizentrische, prospektive, interdisziplinär durchgeführte Studien gefüllt werden.