Die Mitosezählung ist eine wichtige Methode für die mikroskopische Einschätzung, ob ein Tumor sich im Patienten ausbreiten wird. Doch sie hat einen Haken: Den Menschen, der sie auswertet.
In der pathologischen Diagnostik wird die Untersuchung der Mitose in Gewebeproben eingesetzt, um einzuschätzen, ob sie gutartig oder bösartig sind. Obwohl die Mitosezählung damit ein wichtiger histologischer Parameter für die Bewertung von Tumoren ist, hat sie eine Schwachstelle, nämlich dort, wo der Mensch ins Spiel kommt. Denn die Pathologen müssen nicht nur entscheiden, welcher Teil der Gewebeprobe untersucht wird, sondern sie müssen auch Mitosen von anderen, zum Teil sehr ähnlichen Strukturen, unterscheiden. Dies führt beim Befunden immer wieder zur falschen Einschätzung der Zellteilungsaktivität des Tumors.
Jüngste Fortschritte auf dem Gebiet der Künstlichen Intelligenz, insbesondere durch Deep Learning, haben die Entwicklung von Hochleistungsalgorithmen ermöglicht, die die Standardisierung der Mitosezählung verbessern können. Das unterstreicht eine neue internationale Studie unter Leitung der Vetmeduni. Mittels Gewebeproben von Hunden wurde untersucht, wie algorithmische Vorhersagen Pathologen dabei unterstützen können, mitotische Hotspots zu erkennen und die Unterscheidung von Mitosen gegen anderen Zellen zu verbessern.
„Unsere Ergebnisse zeigen, dass die Unterstützung mit einem genauen Deep-Learning-basierten Modell eine vielversprechende Methode zur Verbesserung der Reproduzierbarkeit und Genauigkeit von Mitosezählungen in histologischen Tumorschnitten ist“, so Studien-Erstautor Christof A. Bertram vom Institut für Pathologie der Vetmeduni. Dabei war die vollständige Computerunterstützung (Unterstützung bei der Auswahl der Untersuchungsareale und bei der Erkennung von Mitosen) der teilweisen Computerunterstützung, welche sich auf die Auswahl der Untersuchungsareale beschränkte, überlegen.
Die Studie zeigt laut Bertram auch, „dass die computergestützte Mitosezählung eine wertvolle Methode zur Standardisierung in zukünftigen Forschungsstudien und routinemäßigen diagnostischen Tumorbewertungen mittels digitaler Mikroskopie sein kann.“ Eine genaue und reproduzierbare Krebsdiagnose ist wichtig, um eine angemessene Therapie der Tumorpatienten zu finden. Darüber hinaus könnten Diagnose-Labore von der hybriden Untersuchungsmethode durch eine verbesserte Arbeitseffizienz – beispielsweise aufgrund der computerunterstützten Vorauswahl der Untersuchungsareale – profitieren, was auch Kostenvorteile bringen und damit das Gesundheitssystem entlasten könnte.
Dieser Artikel basiert auf einer Pressemitteilung der Veterinärmedizinischen Universität Wien. Die Studie haben wir euch hier und im Text verlinkt.
Bildquelle: Alex Knight@agk42, Unsplash