Auf künstlicher Intelligenz basierende Techniken zur Charakterisierung der Nierenmikrostruktur auf histologischen Bildern (AI-TIME)

Die morphologiebasierte histopathologische Analyse des Nierengewebes spielt eine Schlüsselrolle bei der Diagnose und Therapieentscheidung vieler Nierenerkrankungen. Bisher wird die histopathologische Analyse hauptsächlich qualitativ durch visuelle Inspektion durchgeführt, was hochqualifizierte Fachpathologen erfordert.

Histopathologische Befunde werden von Pathologen häufig anhand semiquantitativer diagnostischer Klassifizierungsskalen wie der Oxford-Klassifikation der IgA-Nephropathie oder anhand von Schweregradskalen der Erkrankung bewertet. Trotz solcher Bewertungssysteme bleibt die histopathologische Analyse halbquantitativ, zeitaufwändig und stark vom Bediener abhängig. Es wurden manuelle Techniken zur quantitativen Beurteilung der Nierenmikrostruktur auf histologischen Bildern vorgeschlagen, die das Potenzial zur Überwachung des Krankheitsverlaufs und des Ansprechens auf die Therapie bei chronischer Nierenerkrankung (CKD) zeigen. Beispielsweise wurde kürzlich das peritubuläre interstitielle Volumen, das für entscheidende endokrine Funktionen verantwortlich ist und bei CKD eine signifikante, wenn auch reversible Erweiterung erfährt, an Nierenbiopsieproben durch Punktzählung in jedem Bild quantifiziert. Obwohl diese manuellen Techniken eine genaue Quantifizierung ermöglichen, sind sie arbeitsintensiv und bedienerabhängig. Eine schnelle und objektive quantitative Beurteilung der Nierenmikrostruktur wäre äußerst wünschenswert.

Die Digitalisierung histologischer Bilder sowie diagnostischer Bilder hat es ermöglicht, von fortschrittlichen Bildanalysetechniken zu profitieren, die die Identifizierung und Segmentierung relevanter histopathologischer Strukturen sowie die quantitative Bewertung der Gewebemikrostruktur ermöglichen.

In den letzten Jahren haben sich Techniken der künstlichen Intelligenz (KI) und insbesondere der Deep-Learning-Techniken (DL) als vielversprechend für die (halb-)automatisierte Segmentierung relevanter morphologischer Strukturen auf histologischen Bildern erwiesen, wodurch der Bedarf an erfahrenen Bedienern begrenzt, die Reproduzierbarkeit sichergestellt und die Anzahl der Daten erheblich reduziert wird der Zeitbedarf. Convolutional Neural Networks (CNNs) haben in jüngster Zeit auch im medizinischen Bereich herausragende Leistungen bei Bildsegmentierungsaufgaben gezeigt. Insbesondere die sogenannten U-Nets, bestehend aus einem kontrahierenden und einem expandierenden Pfad, erfreuen sich seit ihrer ersten Verwendung immer größerer Beliebtheit. Bisher wurden nur wenige Studien mit CNNs zur Untersuchung der Nierenmikrostruktur auf histologischen Bildern durchgeführt. Hermsen et al. verwendeten CNNs für die Mehrklassensegmentierung histologischer Bilder aus Nierenbiopsien [8]. Eine ähnliche Studie zielte darauf ab, ein CNN für die Segmentierung von Nierengewebestrukturen von Mäusen wie Glomeruli, Tubuli, Arterien und Venen zu entwickeln, basierend auf dicht annotierten Bildern verschiedener Nierenerkrankungen und verschiedener Tierarten.

Trotz dieser vielversprechenden Vorbemühungen stellt die hohe Heterogenität der morphologischen Muster eine Herausforderung für die Generalisierbarkeit der Segmentierungstechniken dar. Automatisierte DL-basierte Methoden, die in der Lage sind, relevante morphologische Strukturen auf histologischen Nierenbildern von Patienten mit unterschiedlichen Nierenpathologien und/oder unterschiedlichen Krankheitsstadien genau zu segmentieren und zu quantifizieren, wären äußerst wünschenswert.