Fokus

Die Kombination aus Digitalisierung, Künstlicher Intelligenz und Multiplex-Methoden hebt die veterinärmedizinische Histologie auf ein neues Niveau – mit mehr Objektivität, höherem Informationsgewinn und breiterer Anwendbarkeit.

Histologische Untersuchungen nehmen seit Jahrzehnten eine zentrale Rolle in Lehre, Diagnostik und Forschung ein. Durch die mikroskopische Analyse von Geweben in physiologischen und pathologischen Zuständen lassen sich Struktur, Zusammensetzung und Veränderungen davon erfassen, die für das Erkennen und Verständnis von Krankheiten essenziell sind. Die Grundidee der Histologie hat sich dabei über die Jahrzehnte nicht verändert, wohl aber die Art und Weise, wie Analysen durchgeführt werden und welche Informationen aus Gewebeschnitten gewonnen werden können.

Zwei zentrale Neuerungen

Traditionell erfolgt die histologische Untersuchung ortsgebunden am Lichtmikroskop, und die dabei gewonnenen Beobachtungen sowie deren Interpretation hängen primär von der Erfahrung der Pathologin oder des Pathologen ab. Die Befunde werden ­beschrieben, geschätzt oder manuell quantifiziert, beispielsweise bei der Mitosezählung von Tumoren. Diese Vorgehensweise ist etwas subjektiv; zudem sind Quantifizierungen zeitintensiv und auf ausgewählte Gewebebereiche beschränkt, um sie manuell überhaupt durchführen zu können (Hotspot-Analysen). Mit der Digitalisierung von Gewebeschnitten und dem Einsatz von Künstlicher Intelligenz (KI) eröffnen sich dagegen neue Möglichkeiten. Digitale und KI-gestützte Histologie erlaubt eine automatisierte, standardisierte und objektive Analyse von Gewebeproben. Die Digitali­sierung von Gewebeschnitten ermöglicht es, ganze Präparate in hoher Auflösung zu erfassen und ortsunabhängig verfügbar zu machen. Somit können ­Deep-Learning-Algorithmen eingesetzt werden, um definierte Gewebemerkmale zu erkennen und zu quantifizieren, einzelne Elemente wie Zellen, Mitosefiguren oder Mikroorganismen zu zählen sowie deren räumliche Verteilung sichtbar und messbar zu machen. Mit der KI-basierten Histologie ergeben sich zwei zentrale Neuerungen: Zum einen arbeitet die Pathologin oder der Pathologe am Computer, sodass die Bedienung entsprechender Software zur Grundvoraussetzung wird, zum anderen werden Menge und Präzision der aus dem Gewebe gewonnenen Informationen um ein Vielfaches erhöht.

Am Beispiel des immunhistochemischen Markers Ki67 zur Bestimmung der Zellproliferationsrate von Tumoren lässt sich der Unterschied zwischen traditioneller und KI-Histologie anschaulich darstellen. Traditionell wird dabei nur ein kleiner Tumorbereich mit der höchsten Ki67-Expression untersucht (Hotspot), und die Ki67-positiven Zellen werden manuell am Lichtmikroskop quantifiziert. KI-gestützte Verfahren ermöglichen dagegen folgende Optionen: Analyse des gesamten Tumorgewebeschnittes ist machbar; Ki67-Hotspots werden automatisiert identifiziert; die Ki67-Expression tausender Zellen werden objektiv quantifiziert; und die Analyse läuft im Hintergrund, ohne den Arbeitsablauf zu unterbrechen. Mit der aktuellen Hardware an unserem Institut für Tierpathologie in Bern beträgt der Zeitaufwand für die Beurteilung der Ki67-Expression von rund 180 000 Tumorzellen weniger als zwei Minuten. Vergleichbare Analysen lassen sich auf viele weitere Gewebemarker übertragen.

Für die digitale Histologie stehen kommerzielle und Open-Source-Softwarelösungen zur Verfügung, deren Einsatz je nach Pathologielabor – diagnostisch oder forschungsorientiert, human oder veterinär – sowie abhängig von den Fähigkeiten der Pathologinnen und Pathologen im Umgang mit der Software, dem Probenumfang und der gewünschten Art der Gewebeanalyse unterschiedlich sinnvoll ist. Kommerzielle Systeme bieten häufig zertifizierte Module, anwenderfreundliche Oberflächen und erweiterte Funktionen, während Open-Source-Programme grundlegende Workflows wie Gewebedetektion, Segmentierung, Markeranalyse und den Export quantitativer Daten ermöglichen. Beispiele für zugelassene kommerzielle Software sind die Philips IntelliSite Pathology Solution (2017, FDA, Diagnostik), Paige Prostate (2021, FDA, erstes KI-gestütztes Tool zur Prostatakarzinomerkennung beim Mann), und Inspirata Dynamyx (2022, FDA, Diagnostik). In Europa haben sich mehrere CE-IVDR-zertifizierte Plattformen etabliert, darunter Visiopharm AI Apps, Indica Labs HALO AP®, Aiforia Clinical Suite und Mindpeak AI. Häufig eingesetzte Open-Source-Programme wie Orbit, Cytomine, Ilastik oder QuPath eignen sich in erster Linie für Forschungsprojekte.

Revolution der Forschung

Insbesondere in der Forschung revolutionieren digitale Methoden die Gewebeanalyse, da KI-gestützte Verfahren eine objektive, standardisierte und reproduzierbare Quantifizierung ermöglichen. Als Anwendungsbeispiele seien die Immunzell-Typisierung und -Zählung in Tumoren oder infiziertem Gewebe, die Vermessung von Narbengewebe im Herzen nach Myokardinfarkt sowie die Quantifizierung von Plaques und des davon betroffenen Hirngewebes in Alzheimer-Modellen genannt. Aufbauend auf diesen Analysen gewinnt zunehmend die Multiplex-Analyse an Bedeutung, bei der Dutzende bis Hunderte von Markern gleichzeitig auf einem Gewebeschnitt dargestellt werden können. Imaging Mass Cytometry (IMC) ist eine solche Multiplex-Technologie, etwa das Hyperion Imaging System von Standard BioTools (ehemals Fluidigm), das 2011 auf den Markt kam. Es kombiniert Laserablation mit Massenspektrometrie und ermöglicht so eine hochauflösende Analyse von Gewebeproben. Ein weiteres Beispiel ist das MACSima™ Imaging System von Miltenyi Biotec, das auf der Technologie des zyklischen Immunfluoreszenz-Imaging (MICS) basiert. Beide Technologien erweitern die Möglichkeiten der Gewebeanalyse erheblich, da sie eine detaillierte und umfassende Untersuchung zellulärer Strukturen und ihrer Interaktionen im Gewebe erlauben. Die entsprechenden Softwarelösungen ermöglichen dabei nicht nur die Detektion einzelner Marker, sondern auch die Berechnung von Nachbarschaftsbeziehungen und Korrelationen. Dies eröffnet neue Einblicke in die funktionelle Organisation von Geweben und liefert dementsprechend wertvolle Datensätze für die Forschung.

Bei uns am Institut für Tierpathologie in Bern kann der Arbeitsablauf für digitale Pathologie-Forschungsprojekte folgendermassen zusammengefasst werden: Alles verfügbare Gewebe auf dem Schnitt wird automatisch erkannt, anschliessend erfolgt die Segmentierung und Definition relevanter Regionen, die je nach Fragestellung manuell überprüft und angepasst werden können. Danach werden Marker detektiert und klassifiziert, wofür wir in den meisten Fällen Deep-Learning-Algorithmen anwenden. Auch in diesem Schritt ist eine fachliche Kontrolle durch Pathologinnen und Pathologen vorgesehen, bevor die Ergebnisse exportiert und ausgewertet werden. Wir verwenden für den gesamten Ablauf die kommerzielle Visiopharm Software (Visiopharm, Hørsholm, Dänemark).

Deutlicher Mehrgewinn

Zusammenfassend lässt sich sagen, dass die Histologie auch mit der Einführung neuer Technologien in ihrem Kern unverändert bleibt: Sie bleibt die mikroskopische Untersuchung von Geweben mit dem Ziel, Krankheiten zu verstehen, zu diagnostizieren und zu erforschen. Neu ist jedoch die Art der histologischen Untersuchungsmethode, die durch digitale Verfahren und KI-basierte Analysen einen deutlichen Mehrgewinn ermöglicht. Für die Pathologie bedeutet dies einen Übergang von der subjektiven, ortsgebundenen Mikroskopie hin zu objektiven, standardisierten und ortsunabhängigen Analysen. Künstliche Intelligenz ist dabei keine Zukunftsvision mehr, sondern eine bereits heute verfügbare Technologie, die in der Pathologie, und generell in der Veterinärmedizin, zunehmend Anwendung findet und in Zukunft noch erheblich weiterentwickelt wird.