Deep Learning in der Pathologie: Anwendungsmöglichkeiten und Herausforderungen in der Ophthalmopathologie

Zusammenfassung

Einleitung Deep Learning erfährt in den zurückliegenden Jahren eine immer größer werdende Aufmerksamkeit und wird für zahlreiche Fragestellungen genutzt. Da Bildanalyse eine der Stärken von Deep Learning ist, liegt der Schluss nahe, auch pathologische Fragestellungen hiermit zu bearbeiten. Ziel dieser Arbeit ist es, aus der allgemeinen Pathologie mögliche Deep-Learning-Ansätze zu identifizieren, die in der Ophthalmopathologie genutzt werden könnten. Zudem soll anhand der Daten eines Jahres der Anteil der potenziell interessanten Präparate für Deep Learning sowie der notwendige Aufwand abgeschätzt werden.

Methoden Es erfolgte zunächst eine Literaturrecherche nach Deep-Learning-Modellen und deren Einsatzmöglichkeiten im Bereich der Pathologie. Um den potenziellen Nutzen abzuschätzen, wurde in einem 2. Schritt für die identifizierten Modelle die Anzahl an geeigneten Präparaten im Jahr 2019 ermittelt und in Relation zu der resultierenden Datenmenge und der Scan-Zeit gesetzt, um die Machbarkeit abzuschätzen.

Ergebnisse Wir identifizierten 7 besonders interessante Themenbereiche: Festlegen von Regions of Interest (ROI), Einordnen von histologischen Bildern in Scoring-Systeme, Kartieren von Tumoranteilen, Differenzierung verschiedener Arten von Entzündung, Erkennen verschiedener kutaner Tumoren, Klassifizierung von Lymphomen und Vorhersage des Outcomes von Patienten anhand der Histologie von Tumoren. Innerhalb eines Jahres wären für die o. g. Modelle insgesamt 831 Fälle (43%) infrage gekommen. Das Erstellen von Whole Slide Images (WSI) für alle Präparate hätte eine Speicherkapazität von 630 GB bei einer Scan-Zeit von 35 h benötigt.

Schlussfolgerung Es existieren mehrere Deep-Learning-Ansätze, die auch für die Ophthalmopathologie interessant sind. Die meisten müssten für die ophthalmopathologischen Fragestellungen speziell trainiert werden. Um Deep-Learning-Ansätze verfolgen zu können, ist es notwendig, eine gute Infrastruktur aufzubauen mit der Möglichkeit, WSI zu erstellen und dauerhaft zu speichern, was technisch machbar erscheint. Zukünftige Studien sollten die konkrete praktische Umsetzung bisheriger Deep-Learning-Möglichkeiten für die Ophthalmopathologie zum Thema haben.

Abstract

Introduction Deep learning has received increasing attention in recent years and is used in many different areas. Since image analysis is a strength of deep learning, it would be obvious to use it for histopathological questions too. Our goal is to identify possible deep learning approaches from general pathology which could be used in ophthalmic pathology. In addition, the data of the past year will be used to estimate the proportion of potentially interesting cases and the necessary technical effort.

Methods Firstly, a literature search for deep learning models and their possible applications in the field of pathology was carried out. In order to estimate the potential benefit, technical challenges and feasibility, the number of suitable ophthalmopathology cases in our lab in 2019 for the identified models was determined and put in relation to the resulting amount of data and the scanning time.

Results We identified 7 areas of particular interest: determination of regions of interest (ROI), classification of histological images in scoring systems, mapping of tumor fractions, differentiation of different types of inflammation, differentiation of various cutaneous tumors, classification of lymphomas and prediction of patient outcome-based on tumor histology. Within one year, a total of 831 cases (43%) would have been suitable for the above models. The creation of whole slide images (WSI) for all histological cases would have required a storage capacity of 630 GB with a scanning time of 35 h.

Conclusion There are several deep learning approaches which are also interesting for ophthalmic pathology. Most of them would have to be specially trained for the ophthalmopathological aspects. To be able to apply deep learning approaches, it is necessary to have a good IT infrastructure with the possibility to create and permanently store WSI, and this seems to be technically feasible. Future studies should focus on the specific practical implementation of current deep learning possibilities for ophthalmic pathology.

Schlüsselwörter

Ophthalmopathologie - Deep Learning - Machine Learning

Key words

ophthalmic pathology - deep learning - machine learning

Publication History

Received: 22 January 2020

Accepted: 29 January 2020

Article published online:
14 April 2020

• Literatur

• 1 Litjens G, Kooi T, Bejnordi BE. et al. A survey on deep learning in medical image analysis. Med Image Anal 2017; 42: 60-88
• 2 Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw 2015; 61: 85-117
• 3 Coppersmith G, Leary R, Crutchley P. et al. Natural language processing of social media as screening for suicide risk. Biomed Inform Insights 2018; 10: 1178222618792860
• 4 Chen H, Engkvist O, Wang Y. et al. The rise of deep learning in drug discovery. Drug Discov Today 2018; 23: 1241-1250
• 5 Komura D, Ishikawa S. Machine learning methods for histopathological image analysis. Comput Struct Biotechnol J 2018; 16: 34-42
• 6 Schaer R, Otálora S, Jimenez-del-Toro O. et al. Deep learning-based retrieval system for gigapixel histopathology cases and the open access literature. J Pathol Inform 2019; 10: 19
• 7 Nagpal K, Foote D, Liu Y. et al. Development and validation of a deep learning algorithm for improving Gleason scoring of prostate cancer. NPJ Digit Med 2019; 2: 48
• 8 Arunachalam HB, Mishra R, Daescu O. et al. Viable and necrotic tumor assessment from whole slide images of osteosarcoma using machine-learning and deep-learning models. PLoS One 2019; 14: e0210706
• 9 Wei JW, Wei JW, Jackson CR. et al. Automated detection of celiac disease on duodenal biopsy slides: a deep learning approach. J Pathol Inform 2019; 10: 7
• 10 Olsen TG, Jackson BH, Feeser TA. et al. Diagnostic performance of deep learning algorithms applied to three common diagnoses in dermatopathology. J Pathol Inform 2018; 9: 32
• 11 Hekler A, Utikal JS, Enk AH. et al. Pathologist-level classification of histopathological melanoma images with deep neural networks. Eur J Cancer 2019; 115: 79-83
• 12 Achi HE, Belousova T, Chen L. et al. Automated diagnosis of lymphoma with digital pathology images using deep learning. Ann Clin Lab Sci 2019; 49: 153-160
• 13 Bychkov D, Linder N, Turkki R. et al. Deep learning based tissue analysis predicts outcome in colorectal cancer. Sci Rep 2018; 8: 3395