Von Peiyi Ko, Ph.D., und Margaret Dah-Tsyr Chang, Ph.D.Die digitale Pathologie ist an der Schnittstelle zwischen pathologischer Diagnostik und Präzisionsmedizin angesiedelt.In den letzten Jahren hat sich die 3D-Pathologie-Bildgebung entwickelt, um eine präzise Diagnose zu erreichen, die einige Herausforderungen bei der Diagnosequalität bewältigen kann.1 Die Diagnose ist die Grundlage einer effektiven und qualitativ hochwertigen Versorgung;es hat tiefgreifenden Einfluss auf die Patientenergebnisse.2Die Verwendung von KI/ML zur Verringerung der kognitiven Anforderungen an Kliniker und/oder der damit verbundenen Diagnosefehler könnte dazu beitragen, die nachteiligen Folgen einer falschen oder verzögerten Diagnose in mehreren medizinischen Fachgebieten wie Radiologie und Onkologie zu reduzieren.3,4 Vor der Nutzung der Fähigkeiten von KI/ML zur Unterstützung Analyse und Interpretation digitaler Bilder und weitere Unterstützung der Präzisionsmedizin durch Ermöglichung einer individuelleren pathologischen Diagnose, Identifizierung geeigneter „Biomarker-Ensembles“ und Schlüsselparameter für die richtige Klassifizierung von Patienten für eine bestimmte Krankheit (dh wirksame Begleitdiagnostik) ist erforderlich.5 Dies ist erforderlich Das Verständnis und die Validierung ermöglichen die Anwendung der Prinzipien der Diagnoseexzellenz, wie z. B. eine bessere Verknüpfung von Diagnose und Behandlung, eine durchdachtere Interpretation von Tests, die die Wahrscheinlichkeit spezifischer Diagnosefehler antizipieren, und eine konsistentere Quantifizierung von Testdaten, um Vorteile und Grenzen diagnostischer Ergebnisse zu kommunizieren.6Darüber hinaus ist die Erfolgswahrscheinlichkeit für die Entwicklung onkologischer Medikamente trotz der hohen Kosten derzeit gering.Eine der Hauptschwierigkeiten ist das Erreichen von Präzision beim Patienten-Screening, das auf einer pathologischen Diagnose beruht.Es gibt einen wachsenden Bedarf an präziser Krebsdiagnose, aber es gibt nicht genügend Pathologen, um die Diagnosen zu stellen.Daher ist der Markt für digitale Pathologie in den letzten 10 Jahren gewachsen.Der Markt für Immunonkologie-Medikamente wächst ebenfalls, doch die Bewertung der Tumormikroumgebung ist mit herkömmlicher 2D-Pathologie schwierig.Obwohl die konventionelle 2D-Pathologie seit über 150 Jahren eine Schlüsselrolle bei klinischen Entscheidungen für Patientenbehandlungen spielt, befasst sie sich mit dünnen Objektträgern, die nur einen kleinen Teil der Biopsie eines Patienten enthalten (etwa 100 Zellen in einem dünnen Objektträger einer Nadelbiopsie).Formalinfixierte, in Paraformaldehyd eingebettete (FFPE) Gewebeblöcke enthalten reichlich medizinische Informationen (mit μm-Auflösung) über einzelne Patienten, doch der aktuelle pathologische Arbeitsablauf mit Reagenzien für sichtbares Licht ist nicht anwendbar, um räumliche Merkmale der Morphologie oder Biomarkerverteilung in der Tiefe zu kennzeichnen.Daher müssen wertvolle 3D-Pathologieinformationen von Patienten in FFPE noch vollständig genutzt werden.Die Vorteile der 3D-Bildgebung gegenüber 2D lassen sich durch den Vergleich der Computertomographie (CT) mit dem Röntgen in der radiologischen Bildgebung veranschaulichen.Es dauerte einige Zeit, um vom digitalisierten Röntgenfilm über das digitale Bild bis zum CT zu gelangen.Eine Anwendung von Röntgenstrahlen in Verbindung mit der CT-Diagnose liefert genauere Parameter für die Bewertung des COVID-19-infizierten Patientenstatus.7 Trends in der digitalen Pathologie ähneln dem Zeitalter der Umwandlung von Röntgenfilmen in digitale Bilder, wobei die Entwicklung einer digitalen 3D-Pathologie unterstützt werden muss Präzisionsdiagnose und Präzisionsmedizin entwickeln sich schnell weiter.Tatsächlich wurden medizinische Bilder mit großen Datenmengen digitalisiert und werden häufig zum Trainieren von KI-Modellen verwendet, darunter Radiologiebilder (mit einer Auflösung von mm), die von Röntgenstrahlen und CT-Bildern stammen, werden gründlich untersucht, um von der FDA zugelassene Produkte zu entwickeln.8 Eins Ein Beispiel, das erfolgreich in Krankenhäusern implementiert wurde, um intrakranielle Blutungen zur Unterstützung besserer und schnellerer klinischer Entscheidungen zu identifizieren, ist DeepCT mit einem KI-gestützten Triage-System auf Kopf-CT-Bildern, das von Deep 01 entwickelt wurde (von der FDA in den USA, Taiwan und Japan zugelassen).Im Fall von Lungenkrebs und immunonkologischer Therapie erzeugt eine Behandlungsmodalität (Immun-Checkpoint-Inhibitor [ICI]-Therapie von Nivolumab in diesem Beispiel) eine unterschiedliche Reaktion bei Patienten, was teilweise durch die Tumorexpression des programmierten Todesliganden erklärt werden könnte 1 (PD-L1).9 Daher ist die Bewertung der PD-L1-Expression durch einen Pathologen zum Standardverfahren bei der Patientenauswahl für Behandlungen geworden, und PD-L1 wurde als begleitender diagnostischer Biomarker für mehrere Medikamente zugelassen.Die Heterogenität der PD-L1-Expression (bei Lungenkrebs und im Laufe der Zeit) und begrenzte Biopsieproben könnten jedoch verzerrte Informationen für die klinische Bewertung liefern und zu einer unwirksamen Behandlung führen.Einige Patienten mit hoher PD-L1-Expression zeigten kein positives Ansprechen auf die Behandlung, während dies bei einigen Patienten mit niedriger PD-L1-Expression der Fall war.Die aktuelle Entdeckung der 3D-Bildgebungstechnologie (NSCLC 3D PD-L1 Profiling) erhöht die Abtastrate durch kontinuierliches Scannen von dickem Gewebe, was zu 100-mal mehr Pathologiedaten von jedem Patienten führt und die heterogene PD-L1-Expression verfolgt, um neue Parameter zur Unterstützung der Bewertung zu erhalten von den Pathologen.Nachdem die 3D-Bildinformationen abgerufen wurden, kann das Gewebe für die 2D-Untersuchung von Hämatoxylin und Eosin (H&E) und Immunhistochemie (IHC) sowie für Gentests durch Polymerase-Kettenreaktion (PCR) wiederverwendet werden.Mit anderen Worten, es ermöglicht die anschließende Untersuchung derselben klinischen Probe durch mehrere Diagnosemethoden und bietet Ärzten mit minimalen Änderungen im klinischen Arbeitsablauf stärker integrierte Parameter.Eine präzise Diagnose könnte Krebspatienten nicht nur dabei helfen, die am besten geeignete Behandlung zu finden, sondern auch die Erfolgsrate neuer Therapeutika erhöhen.Um mit dem Beispiel Lungenkrebs fortzufahren: Der PD-L1-IHC-Assay IVD-Grad ist der einzige Biomarker, der für das Patienten-Screening in Begleitung mit selektiven Indikationen mehrerer ICI-Medikamente wie Pembrolizumab (Merck), Nivolumab (BMS) und Atezolizumab (Roche) zugelassen ist.Allgemeine Cutoff-Werte der Tumorproportions-Scores (TPS) werden zur Behandlungsführung auf 50 %, 10 % und 1 % festgelegt.Da die PD-L1-Expression in Tumorgewebe heterogen ist, würde die Wahl eines Pathologen für einen einzelnen Objektträger irgendwo im Gewebe für einen herkömmlichen IHC-Assay oft eine andere Messung ergeben und folglich den Behandlungsplan beeinflussen.Einige Ärzte sind der Meinung, dass tumorinfiltrierende T-Zellen oder andere Biomarker in der Tumormikroumgebung für eine umfassende Diagnose berücksichtigt werden sollten.Für Pathologen ist es jedoch noch schwieriger, genügend T-Zellen oder andere Biomarker zu erfassen, die sich in derselben Ebene auf dem dünnen Einzelobjektträger (~4 μm dick) befinden, ganz zu schweigen von einer komplizierten Berechnung.Die PD-L1-Positivrate für die Diagnose liegt bei etwa 20-30 %;Die Patienten, bei denen ein hoher PD-L1-Wert diagnostiziert wurde, werden sich für eine ICI-Behandlung mit Versicherungsschutz entscheiden (in Taiwan, wo die Studie stattfand).9 Aber diejenigen, bei denen hauptsächlich ein niedriger PD-L1-Wert diagnostiziert wurde, bräuchten eine zweite Chance für eine gründliche Untersuchung des Gewebes für die PD-L1-Signatur, um zu sehen, ob sie wirklich PD-L1-negativ sind.Unter Verwendung einer computergestützten PD-L1-Quantifizierungsmethode (d. h. eines KI-Modells zur Tumorzellerkennung und PD-L1-positiven Zellidentifikation), das gemeinsam mit Pathologen entwickelt wurde, um die Diagnose zu unterstützen, wurde ein 3D-PD-L1-TPS-Score generiert, um die Ergebnisse mit dem Maximum zu kategorisieren , Minimum und Durchschnitt der Werte und verglichen mit den 2D-TPS-Bewertungen und -Klassifizierungen.Neuklassifizierungen führen dazu, dass zwei Fälle die Schwelle für eine Behandlung mit Medikationskonkordanz überschreiten.Diese Studie unterstützt den potenziellen Wert der Verwendung einer zusätzlichen Dimension bei der Verbesserung der Präzision bei der PD-L1-Messung und der Anwendung der 3D-Pathologiebewertung auf die FFPE-Probe, was dazu beiträgt, das Problem der Unsicherheiten bei der Diagnose aufgrund unzureichender Probenentnahme (daher Inkonsistenzen) anzugehen und Patienten zu ermöglichen die Wahl zu haben, sich einer Behandlung zu unterziehen, wenn die verbesserten Testergebnisse darauf hindeuten, dass dies angemessen ist.Durch die weitere Kombination mit anderen pathologischen Daten und die Nutzung von KI/ML-Technologien könnte die auf 3D-Pathologie basierende Panoramaplattform in Zukunft eine personalisierte oder maßgeschneiderte Medizin unterstützen.Zusätzlich zur Zulassung vieler KI/ML-basierter medizinischer Technologien über 510(k)-Freigabe, Vormarktzulassung und De-novo-Pfade4 haben sich die US-amerikanische FDA, Health Canada und die britische MHRA zusammengeschlossen, um 10 Leitprinzipien zu identifizieren, die dies ermöglichen die Entwicklung von Good Machine Learning Practice (GMLP) informieren, um sichere, effektive und qualitativ hochwertige Geräte zu fördern, die KI/ML verwenden ) und die damit verbundenen Herausforderungen/Besonderheiten.Genauigkeit und Einheitlichkeit der Diagnose, Vermeidung von Voreingenommenheit zur Verbesserung des Behandlungsergebnisses und Reduzierung der Kosten sowie die Darstellung der Sicherheit und Wirksamkeit der Produkte sind wichtige Überlegungen für Unternehmen, die diese Art von Lösungen entwickeln.11In Teil 2 dieser Artikelserie werden wir Überlegungen zur Zusammenarbeit zwischen einem KI/ML-Technologieunternehmen und einem Krankenhaus erörtern, um eine Technologielösung zur Verbesserung der Ergebnisse im Gesundheitswesen zu entwickeln und zu validieren.Einige potenzielle Hindernisse und Optionen für die Implementierung und Übernahme dieser Art von Lösung im Gesundheitswesen werden ebenfalls diskutiert.Peiyi Ko, Ph.D., CHFP, ist Gründer und Berater bei KoCreation Design LLC.Seit 2017 forscht und fördert sie die integrierte Qualität und Akzeptanz von Technologie in der Life-Science-Branche.Sie hat Projekte durchgeführt und geleitet, auf Konferenzen und Universitätskursen präsentiert und Workshops geleitet.Sie erhielt ihren Ph.D.von der University of California, Berkeley, wo sie 2011 auch die Programme „Engineering, Business, and Sustainability Certificate“ und „Management of Technology Certificate“ abschloss. Sie erreichen sie unter info@kocreationdesign.com und auf LinkedIn.Margaret Dah-Tsyr Chang, Ph.D., ist Gründerin und Chief Strategy Officer von JelloX Biotech Inc. Sie verfügt über Fachkenntnisse in Molekularbiologie und Protein-Engineering und unterstützt die biotechnologische und akademische Zusammenarbeit sowie die biomedizinische Übersetzung von der Universität in die Industrie.Sie hat Forschungs- und Bildungsprojekte durchgeführt und geleitet, Kurse angeboten, IP-Engineering und Technologielizenzen gefördert und Konferenzen an der National Tsing Hua University, Taiwan, organisiert.Sie erhielt ihren Ph.D.von der Fakultät für Chemie der Johns Hopkins University und gründete 1993 sofort das erste Labor für Molekularbiologie in Taiwan. Sie erreichen sie unter margaretdtchang@jellox.com.Holen Sie sich die neuesten Artikel von Med Device Online direkt in Ihren Posteingang.