Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

24.08.2022 | Pathologie

Künstliche Intelligenz als Lösung des PathologInnenmangels?

verfasst von: Dr. Philipp Jurmeister, Prof. Dr. Klaus-Robert Müller, Frederick Klauschen

Erschienen in: Wiener klinisches Magazin

Einloggen, um Zugang zu erhalten
share
TEILEN

Zusammenfassung

Angesichts der rasanten Entwicklungen wird kaum bezweifelt, dass die künstliche Intelligenz (KI) die pathologische Diagnostik nachhaltig beeinflussen wird. Ob allerdings KI in erster Linie ein weiteres diagnostisches Hilfsmittel, wie z. B. die Immunhistochemie, wird oder pathologisch-ärztliche Expertise auch ersetzen kann, ist noch offen. Die meisten aktuellen Studien über KI in der Histopathologie befassen sich mit relativ einfachen Fragestellungen, die noch nicht die Komplexität der Diagnostik abbilden. Während es hingegen bereits molekularpathologische Verfahren gibt, die ohne KI nicht denkbar wären, muss sich erst noch zeigen, inwieweit KI in Zukunft auch bei schwierigen histomorphologischen Differenzialdiagnosen helfen kann.
Literatur
1.
Zurück zum Zitat Klauschen F et al (2015) Standardized Ki67 diagnostics using automated scoring—clinical validation in the GeparTrio breast cancer study. Clin Cancer Res 21:3651–3657 CrossRef Klauschen F et al (2015) Standardized Ki67 diagnostics using automated scoring—clinical validation in the GeparTrio breast cancer study. Clin Cancer Res 21:3651–3657 CrossRef
2.
Zurück zum Zitat Coudray N et al (2018) Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nat Med 24:1559–1567 CrossRef Coudray N et al (2018) Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nat Med 24:1559–1567 CrossRef
4.
Zurück zum Zitat Binder A et al (2021) Morphological and molecular breast cancer profiling through explainable machine learning. Nat Mach Intell 3:355–366 CrossRef Binder A et al (2021) Morphological and molecular breast cancer profiling through explainable machine learning. Nat Mach Intell 3:355–366 CrossRef
5.
Zurück zum Zitat Perincheri S et al (2021) An independent assessment of an artificial intelligence system for prostate cancer detection shows strong diagnostic accuracy. Mod Pathol 34:1588–1595 CrossRef Perincheri S et al (2021) An independent assessment of an artificial intelligence system for prostate cancer detection shows strong diagnostic accuracy. Mod Pathol 34:1588–1595 CrossRef
6.
Zurück zum Zitat Bach S et al (2015) On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation. PLoS ONE 10:e130140 CrossRef Bach S et al (2015) On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation. PLoS ONE 10:e130140 CrossRef
7.
Zurück zum Zitat Samek W et al (2021) Explaining deep neural networks and beyond: a review of methods and applications. Proc IEEE 109(3):247–278 CrossRef Samek W et al (2021) Explaining deep neural networks and beyond: a review of methods and applications. Proc IEEE 109(3):247–278 CrossRef
8.
Zurück zum Zitat Holzinger A, Langs G, Denk H, Zatloukal K, Müller H (2019) Causability and explainability of artificial intelligence in medicine. Wiley Interdiscip Rev Data Min Knowl Discov 9:e1312 CrossRef Holzinger A, Langs G, Denk H, Zatloukal K, Müller H (2019) Causability and explainability of artificial intelligence in medicine. Wiley Interdiscip Rev Data Min Knowl Discov 9:e1312 CrossRef
9.
Zurück zum Zitat Hegde N et al (2019) Similar image search for histopathology: SMILY. NPJ Digit Med 2:56 CrossRef Hegde N et al (2019) Similar image search for histopathology: SMILY. NPJ Digit Med 2:56 CrossRef
10.
Zurück zum Zitat Kalra S et al (2020) Pan-cancer diagnostic consensus through searching archival histopathology images using artificial intelligence. NPJ Digit Med 3:31 CrossRef Kalra S et al (2020) Pan-cancer diagnostic consensus through searching archival histopathology images using artificial intelligence. NPJ Digit Med 3:31 CrossRef
11.
Zurück zum Zitat Hoberger M, Laffert M, Heim D, Klauschen F (2019) Histomorphological and molecular profiling: friends not foes! Morpho-molecular analysis reveals agreement between histological and molecular profiling. Histopathology 75:694–703 CrossRef Hoberger M, Laffert M, Heim D, Klauschen F (2019) Histomorphological and molecular profiling: friends not foes! Morpho-molecular analysis reveals agreement between histological and molecular profiling. Histopathology 75:694–703 CrossRef
12.
Zurück zum Zitat Capper D et al (2018) DNA methylation-based classification of central nervous system tumours. Nature 555:469–474 CrossRef Capper D et al (2018) DNA methylation-based classification of central nervous system tumours. Nature 555:469–474 CrossRef
13.
Zurück zum Zitat Jurmeister P et al (2019) Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases. Sci Transl Med 11:eaaw8513 CrossRef Jurmeister P et al (2019) Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases. Sci Transl Med 11:eaaw8513 CrossRef
Metadaten
Titel
Künstliche Intelligenz als Lösung des PathologInnenmangels?
verfasst von
Dr. Philipp Jurmeister
Prof. Dr. Klaus-Robert Müller
Frederick Klauschen
Publikationsdatum
24.08.2022
Verlag
Springer Vienna
Erschienen in
Wiener klinisches Magazin
Print ISSN: 1869-1757
Elektronische ISSN: 1613-7817
DOI
https://doi.org/10.1007/s00740-022-00463-y