Die digitale Pathologie zählt zu den Vorreitern der angewandten Künstlichen Intelligenz. Insbesondere mehrschichtige Neuronale Netze befinden sich als Diagnoseassistenzsysteme auf dem Sprung in die Routine. Eine noch zu überwindende Hürde ist der Black-Box-Charakter der Algorithmen; sie lässt eine Nachvollziehbarkeit der Vorhersagen nicht ohne weiteres zu und stößt bei Medizinern deshalb auf Skepsis. Ergebnisse des derzeit sehr aktiven Forschungsfeldes „erklärbare KI“ sollen auch der KI-Forschung in der Histopathologie zugutekommen.
Schlüsselwörter: Digitale Pathologie, Künstliche Intelligenz, Deep Learning, xAI
Die Künstliche Intelligenz (KI, englisch AI) ist ein Teilgebiet der Informatik, das intelligentes Verhalten im Computer nachzubilden versucht. Grundsätzlich unterscheidet man zwei Ansätze: Wissensbasierte Systeme, bei denen das Wissen durch Experten explizit – zum Beispiel in Form von Wenn-Dann-Regeln – eingegeben wird („Expertensysteme“) und selbstlernende Systeme, die anhand von Beispieldatensätzen trainiert werden („maschinelles Lernen“). Während Regelsysteme heute in nahezu jedem Labor- oder Krankenhausinformationssystems standardmäßig verfügbar sind, befinden sich selbstlernende Systeme derzeit noch auf dem Sprung in die klinische Anwendung.
Der Einsatz von Künstlicher Intelligenz in der digitalen Pathologie wird nach der Einführung der Immunhistochemie in den 1980er-Jahren und der molekularen Pathologie in den Nullerjahren als die dritte große Revolution der Pathologie bezeichnet [1]. Forscher haben das Potenzial dieser Technologie für die Automatisierung diagnostischer Aufgabenstellungen bereits aufgezeigt; neueste Ergebnisse werden regelmäßig auf internationalen Konferenzen wie etwa der European Conference for Digital Pathology (ECDP) oder dem International Symposium on Biomedical Imaging (IEEE ISBI) vorgestellt. Dort finden auch Wettbewerbe (Challenges) statt, bei denen die Teilnehmer aufgefordert sind, von Experten bewertete („annotierte“) Datensätze mit KI-Verfahren zu analysieren. Das prominenteste Beispiel ist die CAMELYON Challenge für die Brustkrebsdiagnostik, bei der in HE-gefärbten Lymphknotenschnitten Metastasen gesucht und einem vorgegebenen TNM-Grading zugeordnet werden müssen.
Angesichts der immensen Forschungsaktivitäten auf diesem Gebiet ist es wohl nur eine Frage der Zeit, wann selbstlernende Diagnoseassistenzsysteme ebenso selbstverständlich in handelsüblicher Software integriert sind wie klassische Regelsysteme.
