Bei über die Lymphbahnen streuendem schwarzen Hautkrebs ist damit zu rechnen, dass sich Tumorzellen zuerst im nächstgelegenen Lymphknoten ansiedeln. Die operative Entnahme des so genannten Sentinel-Lymphknoten (SNL), auch Schildwächterlymphknoten genannt, mit anschließender histologischer Untersuchung ist daher ein anerkanntes diagnostisches Verfahren, um eine lymphogene Metastasierung bei Hautkrebspatienten beurteilen zu können. Sentinel-Lymphknoten werden für die histologische Analyse standardisiert aufgearbeitet, sodass in Abhängigkeit von der Lymphknotengröße und der Anzahl verschiedener immunhistochemischen Färbungen zumeist zwischen sieben bis zehn Gewebeschnitte pro Schildwächterlymphknoten vorliegen. „Da einzelnen Patienten mehr als ein Sentinel-L(PD)ymphknoten entnommen wird, ist die histologische Auswertung und im Besonderen die Detektion von Mikrometastasen in dieser Vielzahl der Gewebeschnitte für den Pathologen sehr zeitaufwändig“, sagt PD Dr. Jansen von der Klinik für Dermatoonkologie und Phlebologie am UKB, der auch an der Universität Bonn forscht. Der Dermatologe sieht in der Verwendung von künstlicher Intelligenz (KI) ein Lösungspotentia.
KI beschleunigt die Diagnose und erkennt auch kleinste Metastasen
Im Bereich der histologischen Analyse in der Dermatologie existieren bisher keine zertifizierten KI-basierten Algorithmen, die zur Diagnosestellung zugelassen sind. In diesem multizentrischen Kooperationsprojekt mit dem Universitätsklinikum Essen und der Universität Bremen wurde nun erstmalig ein Deep-Learning-Verfahren auf histologischen Gewebeschnitten von Sentinel-Lymphknoten aus der klinischen Routine etabliert. „Wir haben den Algorithmus so trainiert, dass er potenzielle Melanommetastasen für die weitere Untersuchung durch Pathologen hervorhebt, ohne dabei auf zusätzliche immunhistochemische Färbungen angewiesen zu sein“, sagt Jansen. Das Forschungsteam war so in der Lage, das Vorhandensein von Metastasen auf einzelnen Gewebeschnitten mit einer Empfindlichkeit von 98,57 Prozent. bei zwei Testkohorten aus verschiedenen Laboren zu erkennen. Sie konnten Tumorablagerungen bis zu 0,1 Millimeter genau identifizieren und Metastasen durch automatische Messung ihres Durchmessers in die Gruppen „0,1 bis 1,0 Millimeter“ und „Größer als 1 Millimeter“ einteilen.
Der Nachweis von Tumorzellen beziehungsweise deren Fehlen in Sentinel-Lymphknoten (LNS) sowie deren Klassifizierung erlauben Aussagen über die Prognose der Erkrankung und sind die Basis zur Entscheidung für weitere Therapieoptionen. „Unsere Ergebnisse zeigen, dass die KI-basierte SLN-Melanom-Metastasenerkennung ein großes Potenzial hat und zu einem routinemäßig eingesetzten Hilfsmittel für Pathologen werden könnte“, sagt Jansen. „Unsere aktuelle Studie konzentrierte sich auf die Bewertung etablierter Parameter. Künftige größere KI-basierte Studien könnten jedoch neue Biomarker identifizieren, die die SLN-basierten prognostischen und therapeutischen Vorhersagen für betroffene Patienten weiter verbessern könnten.“
Publikation:
Philipp Jansen et al.; Deep learning detection of melanoma metastases in lymph nodes, European Journal of Cancer; DOI: https://doi.org/10.1016/j.ejca.2023.04.023
https://www.sciencedirect.com/science/article/abs/pii/S0959804923002241
Quelle: Universitätsklinikum Bonn