Virchow, entwickelt vom New Yorker Unternehmen für digitale Pathologie Paige, ist eines der größten bildbasierten KI-Grundmodelle zur Krebserkennung. Virchow entstand aus einer Partnerschaft zwischen Paige und Microsoft Research und hat die Komplexität der Diagnose kleiner, komplexer und seltener Krebsarten gemeistert, um Pathologen ein Maß an Einblick in die Erkennung und Diagnose von Krebs zu geben, das bisher nicht möglich war.
Seltene Krebsarten, die mehr als 50 % aller Krebserkrankungen ausmachen, sind bisher außerordentlich schwer zu diagnostizieren. Wenn man bedenkt, dass mehr als 70 % der Krebserkrankungen bei Kindern und Jugendlichen bisher nicht nachweisbare seltene Krebsarten sind, ist die Fähigkeit des Modells, diese Krebsarten und Krebsmerkmale mit einer Genauigkeit von 94 % zu identifizieren, laut dem Unternehmen erheblich und hat das Potenzial, das Leben von Hunderttausenden von Menschen zu beeinflussen.
Laut Paige deutet dies darauf hin, dass die KI so weit fortgeschritten ist, dass sie Krebsarten erkennen kann, für die sie nicht einmal trainiert wurde.
Neuigkeiten aus der Gesundheits-IT setzte sich mit Dr. David Klimstra, dem leitenden Arzt und Mitbegründer von Paiges Virchow-Modell, zusammen, um das Basismodell, die Komplexität, die seltene Krebsarten für Pathologen und ihre Patienten darstellen, die Art und Weise, wie die Datenbreite und -tiefe der Basismodelle es ihnen ermöglicht, seltene Krebsarten zu identifizieren, sowie einen Patientenfall zu besprechen.
F. Bitte sprechen Sie im Wesentlichen über das Modell der Paige Virchow Foundation und wie es einen Fortschritt in der KI für die Krebsdiagnose darstellt.
A. Das Training von KI-Modellen für die Pathologie hat sich in den letzten fünf Jahren enorm weiterentwickelt. Um dem KI-Modell „beizubringen“, wie Krebs aussieht, war es zunächst notwendig, den Tumor in jedem Trainingsbild manuell zu kommentieren. Dieser Prozess war so langsam und mühsam, dass das zum Trainieren klinischer KI-Modelle erforderliche Datenvolumen nicht generiert werden konnte.
Der erste große Fortschritt war das Lernen mehrerer Instanzen, bei dem keine Bildannotation durchgeführt werden muss und der Computer nur die Annotation erhält, ob ein bestimmtes Bild Krebs enthält oder nicht. Dadurch konnten Zehntausende von Bildern verwendet werden, und mit dieser Datenmenge lernten die Modelle nicht nur, welche Merkmale Krebs von gutartigen unterscheiden, sondern konnten auch besser über die große Bandbreite an Variationen im Erscheinungsbild von Krebs hinweg verallgemeinern.
Paige nutzte Multiple-Instance-Learning, um das Prostatakrebs-Erkennungsmodell zu trainieren, wie in Naturmedizin im Jahr 2019 und anschließend von der FDA für den klinischen Einsatz im Jahr 2021 zugelassen. Bis heute ist dieser Algorithmus das einzige von der FDA zugelassene KI-Produkt für den Einsatz in der chirurgischen Pathologie. Die FDA-Zulassung basierte auf einer klinischen Studie, die sowohl eine Verbesserung der Sensitivität als auch der Spezifität bei der Diagnose von Prostatakarzinomen in Stanzproben zeigte, wenn die KI als Zweitdiagnose-Tool verwendet wurde.
Paige hat weiterhin KI-Diagnosetools mithilfe von Multiple-Instance-Learning entwickelt. Obwohl diese Methode viel effizienter ist als die manuelle Bildannotation, erfordert sie dennoch riesige Datenmengen, die die spezifische Diagnoseaufgabe widerspiegeln. Bei sehr häufigen Krebsarten kann dies funktionieren, aber um seltene Krebsarten zu diagnostizieren, für die Tausende von Bildern nicht verfügbar sind, war eine neue Methode erforderlich.
Daher hat Paige Virchow entwickelt, ein Basismodell, das auf wirklich riesigen Datenmengen trainiert wird (bis zu 3.000.000 Bilder mit mehr als 1 Milliarde Parametern), die das gesamte Spektrum neoplastischer Erkrankungen, nicht-neoplastischer Zustände und normaler Histologie widerspiegeln. Diese Art von selbstüberwachter oder generativer KI kann mit noch weniger Datenbeschriftungen lernen und eine virtuelle Enzyklopädie des Pathologiewissens erstellen, die auf jede nachfolgende Diagnoseaufgabe angewendet werden kann.
Da das Modell bereits mit so vielen pathologischen Bilddaten konfrontiert wurde, kann es spezifische Aufgaben sehr effizient erlernen. Der Nachweis der Verbesserungen, die durch die Verwendung von Virchow wurde in Nature Medicine veröffentlichtund wir glauben, dass dieses Modell zusammen mit den zukünftigen Basismodellen der zweiten und dritten Generation, die Paige entwickelt, die Basis für das Training aller zukünftigen Pathologie-KI bilden wird.
Damit ist nicht nur die Erkennung seltener Krebsarten und ungewöhnlicher Varianten häufigerer Krebsarten möglich, sondern auch das Training zur Erkennung wichtiger „digitaler Biomarker“, wie etwa genomischer Veränderungen bei Krebserkrankungen, anhand subtiler morphologischer Hinweise in den routinemäßig erstellten pathologischen Bildern.
F. Beschreiben Sie bitte die Komplexität, die seltene Krebsarten für Pathologen und andere Kliniker sowie für ihre Patienten darstellen, da die Möglichkeiten zur Erkennung und Diagnose begrenzt oder nicht vorhanden sind.
A. Laut dem National Cancer Institute gelten etwas mehr als ein Viertel aller Krebserkrankungen als selten, basierend auf einer begrenzten Anzahl von Fällen (weniger als 40.000 pro Jahr in den USA). Darüber hinaus gibt es bei allen häufigeren Krebsarten eine Reihe pathologischer Varianten, von denen einige sehr charakteristische histologische Merkmale, genetische Veränderungen und klinisches Verhalten aufweisen.
Seltene Krebsarten und Varianten stellen eine Herausforderung für die Diagnose und Behandlung dar, da die Erfahrung eines einzelnen Pathologen oder Onkologen mit jedem der Hunderten von Subtypen wahrscheinlich begrenzt ist. Wenn ein Pathologe wenig Erfahrung mit einer seltenen Variante hat, erkennt er sie möglicherweise nicht oder weiß nicht, wie wichtig ihre Unterscheidung von anderen Krebsvarianten ist.
Die genaue Diagnose und Klassifizierung von Krebserkrankungen ist Aufgabe des Pathologen. Bei manchen dieser Krebsarten kann jedoch die Fachkompetenz eines Spezialgebiets erforderlich sein, um die wichtigen Diagnoseinformationen präzise zu liefern. Außerhalb großer, spezialisierter Zentren reichen die diagnostischen Erfahrungen von Pathologen mit seltenen Krebsarten möglicherweise nicht aus, um die kritischsten und genauesten Diagnosen zu stellen.
F: Inwiefern ist dieses Basismodell aufgrund seiner Datenbreite und -tiefe in der Lage, kleine, komplexe und/oder seltene Krebsarten und Krebsmerkmale zu erkennen und welche Auswirkungen könnte dies auf die Krebspathologie haben?
A. Das Virchow-Grundmodell wurde während seines Trainings mit Millionen von Bildern des Memorial Sloan Kettering Cancer Center praktisch allen Arten seltener Krebsarten und ungewöhnlichen Varianten ausgesetzt. Dies bedeutet, dass das Computermodell im Wesentlichen die Rolle eines ganzen Teams spezialisierter Experten übernehmen kann und nicht auf die persönliche Erfahrung eines einzelnen Pathologen angewiesen ist, um ungewöhnliche Diagnosebefunde zu erkennen.
Es gibt mehrere Möglichkeiten, wie diagnostische KI auf der Grundlage von Virchow hilfreich sein kann. Häufig enthalten Biopsien, die zur Diagnose einer Läsion oder zum Krebsscreening entnommen werden, im Vergleich zu den anderen nicht krebsartigen Gewebeelementen in der Probe nur sehr wenige Krebszellen. Selbst wenn diese Krebsarten leicht erkennbare Merkmale der Bösartigkeit aufweisen, kann es für einen Pathologen sehr schwierig und zeitaufwändig sein, sie in einem Meer anderer Zellen zu finden – die sprichwörtliche „Nadel im Heuhaufen“.
Bei dieser Art von Aufgabe sind KI-Modelle wie die auf Virchow basierenden hervorragend geeignet, da sie alle morphologischen Befunde im Bild rasch verarbeiten und die Aufmerksamkeit des Pathologen auf sehr kleine verdächtige Bereiche lenken können, die dann einer endgültigen Beurteilung bedürfen.
Eine weitere Anwendung ist die Unterscheidung seltener Varianten, mit denen ein einzelner Pathologe möglicherweise nur begrenzte Erfahrung hat. Ein KI-Modell kann auf die umfangreiche frühere Erfahrung selbst mit seltenen Krebsarten zurückgreifen, um dem Pathologen bei der richtigen Klassifizierung zu helfen.
Schließlich sind einige pathologische Diagnosen höchst subjektiv und erfordern Urteilsvermögen, um ein Kontinuum histologischer Veränderungen in einzelne Kategorien zu unterteilen. Viele Studien haben gezeigt, dass es bei diesen subjektiven Feststellungen erhebliche diagnostische Unterschiede gibt, wie z. B. bei der Einstufung des Schweregrads eines Krebsvorläufers. Dennoch können diese diagnostischen Kategorien erheblich unterschiedliche klinische Behandlungen nach sich ziehen.
KI kann die Zuordnung von Fällen zu diesen subjektiven Kategorien viel reproduzierbarer machen, da die Subjektivität der menschlichen Interpretation entfernt wird. Obwohl Obwohl die Entwicklung wirksamer KI-Modelle für subjektive Diagnosen noch in Arbeit ist, besteht das Potenzial, eine Lösung für dieses schwierige Problem bereitzustellen.
F. Sprechen Sie über den Patientenfall, bei dem die Anwendung Pan Cancer in der Lage war, seltene und winzige metastatische Neuroblastomherde bei einem Patienten mit Pankreaserkrankung zu erkennen, und erklären Sie, warum dies von Bedeutung ist.
A. Die Krebserkennung mithilfe von KI-Modellen auf Grundlage des Virchow-Stiftungsmodells kann Pathologen dabei helfen, sehr kleine Bereiche seltener Krebserkrankungen zu identifizieren.
In einem Beispiel aus der Praxis, das Paige während seiner Validierung des Modells zur Krebserkennung in 17 verschiedenen Gewebearten antraf, wurde ein Abschnitt des resezierten, relativ normal erscheinenden Pankreasgewebes vom Modell als krebsverdächtig markiert.
Da diese Bilder ohne Kenntnisse über den Patienten (Alter, Geschlecht, Vordiagnosen usw.) ausgewertet wurden, wären die häufigsten Krebsarten, die man in einem Bild der Bauchspeicheldrüse erwarten würde, ein duktales Adenokarzinom (die häufigste Art von Bauchspeicheldrüsenkrebs bei Erwachsenen) oder ein neuroendokriner Tumor der Bauchspeicheldrüse.
In Resektionsproben ist keiner dieser Krebstypen normalerweise sehr subtil, und die Untersuchung dieses Gewebeschnitts bestätigte schnell, dass keiner von beiden vorhanden war. Tatsächlich erschien das meiste Pankreasgewebe normal, mit Ausnahme einiger Cluster kleiner Zellen, die zunächst gutartige Entzündungszellen (Lymphozyten) darzustellen schienen.
Aufgrund der Erkennung dieser Zellen durch die KI konnte jedoch die Vorgeschichte des Patienten ermittelt werden. Der Patient war ein Kind mit einer Vorgeschichte von Neuroblastomen, die am häufigsten in der Nebenniere auftreten. Die Zellen von Neuroblastomen ähneln tatsächlich Lymphozyten, und nachdem die Krankengeschichte des Patienten bekannt war, konnte der Pathologe bestätigen, dass die KI tatsächlich einen Krebs entdeckt hatte, der in einer Bauchspeicheldrüsenprobe äußerst selten vorkommt.
Dieses spezielle Beispiel liefert konkrete Beweise für die Fähigkeiten, die wir bei einer großen Bandbreite von Krebsarten und -varianten festgestellt haben – nämlich, dass Virchows umfangreiche Ausbildung es ermöglicht, Krebsarten zu erkennen, die in der Praxis der meisten Pathologen äußerst selten vorkommen.
F: Was müssen Topmanager und andere führende Gesundheits-IT-Mitarbeiter in Krankenhäusern und Gesundheitssystemen aus all dem über das Modell der Paige Virchow Foundation lernen?
A. Die Einbindung von KI in die Pathologiepraxis verlief langsam. Dies wurde durch die langsame Einführung digitaler Pathologieplattformen, die für den Einsatz von KI-Tools erforderlich sind, behindert. Die digitale Einführung wurde durch die hohen Kosten der Digitalisierung, logistische Herausforderungen und die Zurückhaltung der Benutzer nach einem Jahrhundert der Praxis mit Objektträgern und Mikroskopen eingeschränkt.
Mit der Einführung neuer KI-Tools werden die höhere Effizienz und Genauigkeit, die durch KI erreicht wird, zunehmend die Kosten und den Aufwand rechtfertigen, die mit der Einführung digitaler Pathologiepraktiken verbunden sind. Durch den Zugriff auf das Virchow-Stiftungsmodell kann die Entwicklung nützlicher KI-Tools für die Pathologie erheblich beschleunigt werden.
Heute können KI-Diagnosehilfen schneller und mit kleineren Datensätzen entwickelt werden. Dies können Unternehmen wie Paige und – dank Virchow – auch akademische Abteilungen tun, die an der Entwicklung ihrer eigenen KI interessiert sind. Das bedeutet, dass wir einen Wendepunkt prognostizieren können, an dem die Hindernisse für die Einführung der digitalen Pathologie durch die Vorteile aufgewogen werden, die diese Technologien Pathologen, behandelnden Ärzten und ihren Patienten bieten.
Folgen Sie Bills HIT-Berichterstattung auf LinkedIn: Bill Siwicki
Senden Sie ihm eine E-Mail: bsiwicki@himss.org
Healthcare IT News ist eine Veröffentlichung von HIMSS Media.
