nach oben

10.04.2024 | Künstliche Intelligenz | Schwerpunkt: Nierenpathologie

Künstliche Intelligenz in der Nierentransplantationspathologie

verfasst von: Roman David Bülow, Yu-Chia Lan, Kerstin Amann, Univ.-Prof. Dr. Peter Boor, PhD

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Auf künstlicher Intelligenz (KI) beruhende Systeme konnten mit guten Ergebnissen in der digitalen Pathologie und so auch in der digitalen Nephropathologie eingesetzt werden. Die Nierentransplantationspathologie ist ein Bereich, der potenziell besonders von der Nutzung von KI profitieren kann.

Ziel der Arbeit

Den aktuellen Stand der Forschung und die Limitationen im Bereich der KI-Unterstützung für die Nierentransplantationsdiagnostik aufzuzeigen, sowie einen Ausblick in die Zukunft zu geben.

Material und Methoden

Eine Literaturrecherche erfolgte in PubMed und Web of Science den Suchbegriffen „Deep Learning“, „Transplant“ und „Kidney“. Basierend auf diesen Ergebnissen und den dort zitierten Studien wurde eine Selektion von Studien vorgenommen, die einen histopathologischen Fokus haben und KI verwenden, um eine verbesserte Nierentransplantationsdiagnostik zu ermöglichen.

Ergebnisse und Schlussfolgerung

Viele Studien konnten bereits wichtige Beiträge insbesondere zur Automatisierung der Quantifizierung wichtiger histopathologischer Läsionen in der digitalen Nephropathologie liefern. Weitere histopathologische Veränderungen sind potenziell einfach automatisch quantifizierbar. Wichtige Limitationen und Herausforderungen bestehen in der Sammlung repräsentativer Datensätze und der regelmäßig erneuerten Banff-Klassifikation. Die bereits vorliegenden positiven Studienergebnisse lassen eine zukünftige KI-Unterstützung in der Nierentransplantationspathologie wahrscheinlich erscheinen.

Bülow RD, Hölscher DL, Costa IG, Boor P (2023) Extending the landscape of omics technologies by pathomics. NPJ Syst Biol Appl 9:38CrossRefPubMedPubMedCentral

Choi G, Kim Y‑G, Cho H et al (2020) Automated detection algorithm for C4d immunostaining showed comparable diagnostic performance to pathologists in renal allograft biopsy. Mod Pathol 33:1626–1634CrossRefPubMed

Farris AB, Vizcarra J, Amgad M et al (2021) Image Analysis Pipeline for Renal Allograft Evaluation and Fibrosis Quantification. Kidney Int Rep 6:1878–1887CrossRefPubMedPubMedCentral

Ghaffari Laleh N, Truhn D, Veldhuizen GP et al (2022) Adversarial attacks and adversarial robustness in computational pathology. Nat Commun 13:5711CrossRefPubMedPubMedCentral

Hermsen M, de Bel T, den Boer M et al (2019) Deep Learning-Based Histopathologic Assessment of Kidney Tissue. J Am Soc Nephrol 30:1968–1979CrossRefPubMedPubMedCentral

Hermsen M, Ciompi F, Adefidipe A et al (2022) Convolutional Neural Networks for the Evaluation of Chronic and Inflammatory Lesions in Kidney Transplant Biopsies. Am J Pathol 192:1418–1432CrossRefPubMed

Hermsen M, Volk V, Bräsen JH et al (2021) Quantitative assessment of inflammatory infiltrates in kidney transplant biopsies using multiplex tyramide signal amplification and deep learning. Lab Invest 101:970–982CrossRefPubMedPubMedCentral

Hölscher DL, Bouteldja N, Joodaki M et al (2023) Next-Generation Morphometry for pathomics-data mining in histopathology. Nat Commun 14:470CrossRefPubMedPubMedCentral

Jacq A, Tarris G, Jaugey A et al (2023) Automated evaluation with deep learning of total interstitial inflammation and peritubular capillaritis on kidney biopsies. Nephrol Dial Transplant 38:2786–2798CrossRefPubMed

10.

Jansen C, Lindequist B, Strohmenger K et al (2023) The vendor-agnostic EMPAIA platform for integrating AI applications into digital pathology infrastructures. Future Gener Comput Syst 140:209–224CrossRef

11.

Kather JN, Pearson AT, Halama N et al (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25:1054–1056CrossRefPubMedPubMedCentral

12.

Kers J, Bülow RD, Klinkhammer BM et al (2022) Deep learning-based classification of kidney transplant pathology: a retrospective, multicentre, proof-of-concept study. Lancet Digit Health 4:e18–e26CrossRefPubMed

13.

Kim Y‑G, Choi G, Go H et al (2019) A Fully Automated System Using A Convolutional Neural Network to Predict Renal Allograft Rejection: Extra-validation with Giga-pixel Immunostained Slides. Sci Rep 9:5123CrossRefPubMedPubMedCentral

14.

Labriffe M, Woillard J‑B, Gwinner W et al (2022) Machine learning-supported interpretation of kidney graft elementary lesions in combination with clinical data. Am J Transplant 22:2821–2833CrossRefPubMed

15.

LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436–444CrossRefPubMed

16.

Loupy A, Mengel M, Haas M (2022) Thirty years of the international banff classification for allograft pathology: the past, present, and future of kidney transplant diagnostics. Kidney Int 101:678–691. https://doi.org/10.1016/j.kint.2021.11.028CrossRefPubMed

17.

Lu MY, Chen TY, Williamson DFK et al (2021) AI-based pathology predicts origins for cancers of unknown primary. Nature 594:106–110CrossRefPubMed

18.

Luo Y, Liang J, Hu X et al (2021) Deep Learning Algorithms for the Prediction of Posttransplant Renal Function in Deceased-Donor Kidney Recipients: A Preliminary Study Based on Pretransplant Biopsy. Front Med 8:676461CrossRef

19.

Märkl B, Füzesi L, Huss R et al (2021) Number of pathologists in Germany: comparison with European countries, USA, and Canada. Virchows Arch 478:335–341CrossRefPubMed

20.

Naesens M, Roufosse C, Haas M et al (2023) The Banff 2022 Kidney Meeting Report: Reappraisal of microvascular inflammation and the role of biopsy-based transcript diagnostics. Am J Transplant. https://doi.org/10.1016/j.ajt.2023.10.016CrossRefPubMed

21.

Plass M, Kargl M, Kiehl T‑R et al (2023) Explainability and causability in digital pathology. Hip Int 9:251–260

22.

Selvaraju RR, Cogswell M, Das A et al (2020) Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization. Int J Comput Vis 128:336–359CrossRef

23.

Song AH, Jaume G, Williamson DFK et al (2023) Artificial intelligence for digital and computational pathology. Nat Rev Bioeng: 1–20

24.

Vafaei Sadr A, Bülow R, von Stillfried S et al (2023) Operational greenhouse-gas emissions of deep learning in digital pathology: a modelling study. Lancet Digit Health. https://doi.org/10.1016/S2589-7500(23)00219-4CrossRefPubMedPubMedCentral

25.

Yi Z, Salem F, Menon MC et al (2022) Deep learning identified pathological abnormalities predictive of graft loss in kidney transplant biopsies. Kidney Int 101:288–298CrossRefPubMed

26.

Yi Z, Xi C, Menon MC et al (2023) A large-scale retrospective study enabled deep-learning based pathological assessment of frozen procurement kidney biopsies to predict graft loss and guide organ utilization. Kidney Int. https://doi.org/10.1016/j.kint.2023.09.031CrossRefPubMed

27.

Yoo D, Goutaudier V, Divard G et al (2023) An automated histological classification system for precision diagnostics of kidney allografts. Nat Med 29:1211–1220CrossRefPubMed

28.

Zheng Y, Cassol CA, Jung S et al (2021) Deep-Learning-Driven Quantification of Interstitial Fibrosis in Digitized Kidney Biopsies. Am J Pathol 191:1442–1453CrossRefPubMedPubMedCentral

Titel: Künstliche Intelligenz in der Nierentransplantationspathologie
verfasst von: Roman David Bülow
Yu-Chia Lan
Kerstin Amann
Univ.-Prof. Dr. Peter Boor, PhD
Publikationsdatum: 10.04.2024
Verlag: Springer Medizin
Schlagwörter: Künstliche Intelligenz
Pathologie
Nierentransplantation
Nierentransplantation
Nierentransplantation
Nierentransplantation
Nierentransplantation
Nierentransplantation
Erschienen in: Die Pathologie
Print ISSN: 2731-7188
Elektronische ISSN: 2731-7196
DOI: https://doi.org/10.1007/s00292-024-01324-7

Leitlinien kompakt für die Innere Medizin

Mit medbee Pocketcards sicher entscheiden.

^{Seit 2022 gehört die medbee GmbH zum Springer Medizin Verlag}

Kostenlos registrieren

Update Innere Medizin

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Live-Webinar "Urologie und Sexualmedizin in der Praxis"

Springer Medizin

Künstliche Intelligenz in der Nierentransplantationspathologie

Zusammenfassung

Hintergrund

Ziel der Arbeit

Material und Methoden

Ergebnisse und Schlussfolgerung

Leitlinien kompakt für die Innere Medizin

Neu im Fachgebiet Innere Medizin

Erhebliches Risiko für Kehlkopfkrebs bei mäßiger Dysplasie

Nach Herzinfarkt mit Typ-1-Diabetes schlechtere Karten als mit Typ 2?

15% bedauern gewählte Blasenkrebs-Therapie

Costims – das nächste heiße Ding in der Krebstherapie?

Update Innere Medizin

Live-Webinar "Urologie und Sexualmedizin in der Praxis"

Springer Medizin

Zusammenfassung

Hintergrund

Ziel der Arbeit

Material und Methoden

Ergebnisse und Schlussfolgerung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Leitlinien kompakt für die Innere Medizin

Neu im Fachgebiet Innere Medizin

Erhebliches Risiko für Kehlkopfkrebs bei mäßiger Dysplasie

Nach Herzinfarkt mit Typ-1-Diabetes schlechtere Karten als mit Typ 2?

15% bedauern gewählte Blasenkrebs-Therapie

Costims – das nächste heiße Ding in der Krebstherapie?

Update Innere Medizin