Von Whole-Slide-Bild zur Biomarker-Vorhersage: Ein Protokoll für end-to-end Deep Learning in der computergestützten Pathologie

Hämatoxylin- und Eosin (H&E)-gefärbte Ganzpräparatbilder (Whole-Slide Images, WSIs) bilden die Grundlage der Krebsdiagnose. In den letzten Jahren ermöglichte die Entwicklung von deep-learning-basierten Methoden in der computergestützten Pathologie die direkte Vorhersage von Biomarkern aus WSIs. Dennoch bleibt die präzise Verknüpfung von Gewebe-Phänotypen mit Biomarkern in großem Maßstab eine entscheidende Herausforderung für die Demokratisierung komplexer Biomarker in der präzisen Onkologie. Dieser Protokoll beschreibt einen praktikablen Workflow für die assoziative Modellierung soliden Tumors in der Pathologie (STAMP), der die direkte Vorhersage von Biomarkern aus WSIs mittels Deep Learning ermöglicht. Der STAMP-Workflow ist Biomarker-unabhängig und erlaubt die Einbeziehung genetischer sowie kliniko-pathologischer Tabellendaten als zusätzliche Eingabedaten neben histopathologischen Bildern. Das Protokoll besteht aus fünf Hauptphasen, die bereits erfolgreich auf verschiedene Forschungsfragen angewendet wurden: formale Problemstellung, Datenaufbereitung, Modellierung, Evaluation und klinische Umsetzung. Der STAMP-Workflow zeichnet sich durch seinen Fokus auf eine kooperative Arbeitsweise aus, die sowohl von Klinikern als auch von Ingenieuren genutzt werden kann, um Forschungsprojekte im Bereich der computergestützten Pathologie zu etablieren. Als Beispielanwendung haben wir STAMP zur Vorhersage des Mikrosatelliten-Unstabilitätsstatus (MSI) bei kolorektalem Karzinom eingesetzt und eine hohe Genauigkeit bei der Identifizierung von MSI-high-Tumoren gezeigt. Zudem stellen wir eine Open-Source-Codebasis bereit, die bereits in mehreren Krankenhäusern weltweit zur Einrichtung computergestützter Pathologie-Workflows eingesetzt wird. Der STAMP-Workflow erfordert eine Arbeitszeit von einem Tag mit direkter computergestützter Durchführung und grundlegende Kenntnisse der Befehlszeile.