![](https://wm-directus.pic-mediaservice.de/assets/c4bb8a55-b399-4d4a-815e-870e75193598?width=800&format=webp&transforms=[["sharpen"]])
![](https://wm-directus.pic-mediaservice.de/assets/f8813cf2-f88c-4d62-9140-b91ede9bf954?width=800&format=webp&transforms=[["sharpen"]])
Inhaltsverzeichnis
PDFDigitalisierung und Künstliche Intelligenz in der Pathologie am Beispiel des Lungenkarzinoms
Digitalization and Artificial Intelligence in Pathology Using Lung Cancer as an Example
Konrad Steinestela, Lena-Maria Löwer-Kiema
a Institut für Pathologie und Molekularpathologie, Bundeswehrkrankenhaus Ulm
Zusammenfassung
Die Digitalisierung diagnostischer Workflows und der Einsatz künstlicher Intelligenz (KI) verändern die moderne Pathologie grundlegend. Am Beispiel des nicht-kleinzelligen Lungenkarzinoms (NSCLC) werden aktuelle Entwicklungen und Perspektiven der KI-basierten Auswertung histologischer und molekularer Biomarker dargestellt. Während supervidierte Lernverfahren bereits eine reproduzierbare und objektive Beurteilung immunhistochemischer Biomarker wie PD-L1 ermöglichen, eröffnen nicht-supervidierte und hybride Ansätze neue Wege zur Hypothesengenerierung und Mustererkennung. Die Nutzung synthetischer Trainingsdaten und multimodaler Modelle könnte künftig die diagnostische Präzision weiter verbessern. Trotz dieser Fortschritte bleibt die pathologische Expertise unverzichtbar, insbesondere bei der Auswahl und Qualitätsbeurteilung der Rohdaten, der klinischen Interpretation, der Kontextualisierung und Qualitätssicherung der Ergebnisse.
Schlüsselwörter: Künstliche Intelligenz, Pathologie, Lungenkarzinom, Digitalisierung, Mustererkennung
Summary
The digitalization of diagnostic workflows and the implementation of artificial intelligence (AI) are fundamentally transforming modern pathology. Using non-small cell lung cancer (NSCLC) as an example, this paper highlights recent developments and perspectives in AI-based evaluation of histologic and molecular biomarkers. While supervised learning algorithms already enable reproducible and objective assessment of immunohistochemical biomarkers such as PD-L1, unsupervised and hybrid approaches open new pathways for hypothesis generation and pattern recognition. The use of synthetic training data and multimodal AI architectures may further enhance diagnostic precision in the future. Despite these advances, pathological expertise remains indispensable – particularly in the selection and quality assessment of raw data, as well as in the clinical interpretation, contextualization, and quality assurance of results.
Keywords: artificial intelligence; pathology; lung cancer; digitalization; pattern recognition
Einleitung
Die Pathologie nimmt eine zentrale Rolle in der Präzisionsonkologie ein [26]. Biomarkerbasierte Diagnostik bildet die Grundlage für molekular zielgerichtete Therapieentscheidungen. Mit der zunehmenden Digitalisierung von Laborprozessen und der Einführung KI-basierter Auswertungsverfahren entsteht ein Paradigmenwechsel: Die traditionelle, zumindest in Teilen subjektive Mikroskopie wird schrittweise durch objektive, datengetriebene Analyseverfahren ergänzt.
Im Fokus steht dabei das fortgeschrittene nicht-kleinzellige Lungenkarzinom (NSCLC), bei dem durch die Identifikation molekularer Zielstrukturen für gezielte Therapien bahnbrechende Verbesserungen bei den Therapieerfolgen und den Überlebensraten erzielt werden konnten [6]. Inzwischen spielt auch beim frühen/operablen Lungenkarzinom die Quantifizierung der PD-L1-Expression, eines Checkpoint-Moleküls auf der Oberfläche von Tumorzellen, eine wesentliche Rolle als Biomarker für die neoadjuvante und perioperative Behandlung [19]. In der Bundeswehr ist das Lungenkarzinom von besonderer wehrmedizinischer Relevanz, da thorakale Verletzungen einen hohen Anteil an vermeidbaren Todesfällen nach Verwundungen ausmachen und die thoraxchirurgische Expertise im Sanitätsdienst somit unbedingt erhalten werden muss [11][14]. Hinzu kommt eine überdurchschnittlich hohe Raucherprävalenz (bis zu 55 %) unter Soldatinnen und Soldaten, wodurch sich ein relevanter präventivmedizinischer Bedarf bis hin zu einer Implementierung des (im zivilen Gesundheitssystem kurz vor der Einführung stehenden) Lungenkrebsscreenings auch in der Bundeswehr ergibt [23][26].
Methodischer Hintergrund
Digitaler Workflow in der Pathologie
Die diagnostische Pathologie und Molekularpathologie generieren sowohl bildbasierte als auch numerische Daten (Abbildung 1). Histologische und immunhistochemische (IHC-) Färbungen (z. B. Hämatoxylin-Eosin, Elastica-Färbung, PD-L1) liefern visuelle Informationen, während molekularpathologische Tests (z. B. auf Veränderungen der EGFR-, ALK- oder ROS1-Gene mittels DNA-/RNA-Sequenzierung oder Fluoreszenz-in-situ-Hybridisierung) numerische bzw. kategoriale Daten produzieren. Die Integration dieser Daten in digitale Workflows ist Voraussetzung für die Anwendung von KI-Systemen [9][24].
Abb. 1: Datentypen in der Pathologie als Grundlage für KI-augmentierte Diagnostikprozesse
KI-Modelle und Lernparadigmen
KI-Modelle basieren vorwiegend auf tiefen neuronalen Netzen (Convolutional Neural Networks, abgekürzt CNNs, und Transformer-Architekturen).
- Supervidiertes Lernen
Training anhand annotierter Bilddaten, dadurch hohe Erklärbarkeit und Steuerbarkeit, aber limitiert durch Datenumfang und menschliche Fehler.
- Nicht supervidiertes Lernen
erfordert keine menschlichen Annotationen, ermöglicht explorative Analysen und Hypothesengenerierung, jedoch mit eingeschränkter Nachvollziehbarkeit („Black-Box“-Problematik).
- Hybride Modelle
kombinieren beide Ansätze, um biologische Komplexität und algorithmische Generalisierbarkeit zu vereinen.
Ein aufkommender Forschungszweig ist die Verwendung synthetischer Trainingsdaten, um seltene oder grenzwertige Befundmuster realistisch zu simulieren und das Modelltraining zu erweitern [16][18]. Dies ermöglicht ein gezieltes Training in Grenzbereichen, in denen die Fallzahl durch die natürliche Häufigkeitsverteilung limitiert ist (z. B. seltene Differenzierungsmuster des Lungenkarzinoms oder PD-L1-tumor proportion score [TPS-] Werte um 1 % oder 50 %).
Ergebnisse und Anwendungsbeispiele
KI-gestützte Typisierung und Graduierung beim NSCLC
Erste Studien zeigen, dass KI-Modelle histologische Subtypen und Tumorgrade beim kolorektalen Karzinom und beim NSCLC zuverlässig identifizieren können [19]. Darüber hinaus sind KI-Modelle in der Lage, auch tumorinfiltrierende Lymphozyten oder Veränderungen des Tumorstroma zu erkennen und zu quantifizieren [22]. Zur Anwendung kommen bislang zumeist sogenannte Foundation Models. Diese Modelle, die auf gewaltigen Datensätzen trainiert werden, nutzen self-supervised learning (SSL)-Ansätze – insbesondere contrastive learning und masked image modelling – zur Extraktion aussagekräftiger Merkmale histologischer Gewebeproben. Durch die Fähigkeit, aus umfangreichen, nicht annotierten Daten zu lernen, wird der Bedarf an manueller Labelerstellung (menschliche Annotation) erheblich reduziert. Im praktischen Einsatz erfolgt eine Zerlegung der Whole-Slide-Images (WSIs) in nicht überlappende Bildausschnitte, aus denen Merkmale extrahiert und in nachgelagerten Modellen (z. B. Vision Transformers, ViTs) für spezifische Fragestellungen wie Mutationsvorhersage, Überlebensanalyse, Krankheitsgradierung oder Tumorklassifikation herangezogen werden. Trotz der Verfügbarkeit großer proprietärer Kohorten (z. B. Mass-100K, Providence, MSKCC) blieb die klinisch-praktische Evaluation von Foundation Models allerdings bisher auf enge Benchmarks beschränkt. Diese eingeschränkte Testpraxis begrenzt die systematische Beurteilung ihrer Leistungsfähigkeit in klinisch relevanten Anwendungsszenarien [17].
PD-L1-Expression und KI-gestützte Bewertung beim NSCLC
Die Expression des Checkpoint-Moleküls PD-L1 auf Tumorzellen wird derzeit mittels Immunhistochemie (IHC) und anschließender mikroskopischer (lichtmikroskopischer oder digitaler) Auswertung beurteilt (Abbildung 2). Der daraus resultierende Tumor Proportion Score (TPS) beschreibt das Verhältnis zwischen PD-L1-positiven Tumorzellen und der Gesamtzahl der Tumorzellen in der jeweiligen Probe. Hohe TPS-Werte sind mit einem besseren Ansprechen auf Immuncheckpoint-Inhibitoren, die gegen PD-1 oder PD-L1 gerichtet sind, sowie mit einem verlängerten Gesamtüberleben bei Patientinnen und Patienten mit NSCLC assoziiert [7][21].
Abb. 2: (A) Immunhistochemische Färbung auf PD-L1 am Gewebeschnitt eines Lungenkarzinoms; (B) KI-gestützte Bestimmung des PD-L1 Tumor Proportion Score (TPS; Verhältnis zwischen PD-L1-positiven Tumorzellen und der Gesamtzahl der Tumorzellen) durch die Software Mindpeak (Fa. Mindpeak, Hamburg, DE).
Die manuelle Beurteilung der PD-L1-Färbung bedeutet in der Praxis jedoch eine erhebliche Herausforderung. Ursachen hierfür sind die biologische Heterogenität des Tumors, unterschiedliche Leistungsfähigkeit der verwendeten Antikörperklone sowie eine relevante Interobserver-Variabilität zwischen den Auswertenden [5][12]. Für die Bewertung des PD-L1 TPS beim NSCLC wurde ein gewichteter Kappa-Wert (unter menschlichen Auswertenden) von 0,71–0,96 beschrieben [2]. In derselben Studie zeigten bis zu 20 % der Fälle eine abweichende Klassifikation (positiv vs. negativ), wenn ein Schwellenwert von TPS ≥ 1 % verwendet wurde (0–5 % Abweichung bei einem Schwellenwert von TPS ≥ 50 %). Weitere Untersuchungen bestätigen zwar eine insgesamt hohe Übereinstimmung, zeigen jedoch auch, dass eine gezielte Schulung in vordefinierten Auswertungsbereichen die Reproduzierbarkeit weiter verbessern kann [4]. Andere Arbeiten betonen zudem, dass die Unterscheidung zwischen „echt-positiven“ und „falsch-positiven“ Färbungen schwierig sein kann – insbesondere in Präparaten mit einem niedrigen Anteil positiver Zellen oder nur schwacher IHC-Färbung [25]. Diese Problematik ist von erheblicher klinischer Relevanz, da ein Unter- oder Überschätzen des TPS zu einer Unter- bzw. Übertherapie bei einer relevanten Zahl von NSCLC-Patientinnen und -patienten führen kann.
Das KI-gestützte PD-L1 TPS-Scoring beim NSCLC hat sich als grundsätzlich machbar erwiesen, wobei die Ergebnisse mit der Bewertung erfahrener Pathologinnen und Pathologen vergleichbar sind [3][13]. Darüber hinaus konnte gezeigt werden, dass KI-Unterstützung die Reproduzierbarkeit und Effizienz auch weniger erfahrener Auswertender verbessert [27]. Die automatisierte Bestimmung des PD-L1-TPS durch Algorithmen wie Mindpeak (Fa. Mindpeak, Hamburg, DE) demonstriert eine hohe Reproduzierbarkeit über verschiedene Scannerplattformen hinweg (Abbildung 2B)[8]. Im April 2025 erhielt zudem der VENTANA TROP2 (EPR20043) RxDx Assay von Roche/Ventana Medical Systems (Fa. Ventana, Tucson, USA) die Breakthrough Device Designation (BDD) der U.S. Food and Drug Administration (FDA). Der potenzielle Biomarker für das Antikörper-Wirkstoff-Konjugat Datopotamab Deruxtecan (DATO-DXd, Datroway) beim fortgeschrittenen NSCLC nutzt eine KI-gestützte, digitale Bildanalyse zur quantitativen Bestimmung der mittels IHC nachgewiesenen TROP2-Expression [1]. Sollte dieser Biomarker eine vollständige Zulassung erhalten, wäre es der erste gewebebasierte Biomarker, für den eine KI-gestützte Auswertung vorgeschrieben wäre. Andere, moderne Deep-Learning-Modelle erkennen molekulare Alterationen teilweise direkt in H.E.-gefärbten Gewebeschnitten; Mayer et al. (2022) konnten ALK- und ROS1-Translokationen beim NSCLC ausschließlich anhand digitaler H.E.-Bilder identifizieren [15]. Diese Ansätze schlagen eine Brücke zwischen Morphologie und Molekulardiagnostik.
Dennoch bleibt festzuhalten, dass der Einsatz von KI die wesentlichen Herausforderungen der gewebebasierten Biomarkerbestimmung bislang nicht vollständig überwindet. Wie bei der Tumorerkennung und -graduierung wurden KI-Modelle bislang ausschließlich mit realen Patientenproben trainiert. Seltene Fälle mit besonders hoher Relevanz für das Training folgen einer biologischen Verteilung und sind daher in Trainingskohorten, die meist nur einige hundert Fälle umfassen, unterrepräsentiert. Zudem müssen auch die Trainingsdaten für die Biomarkerbestimmung durch reale Pathologinnen und Pathologen annotiert werden, wodurch subjektive Bewertungsfehler einfließen und durch die KI reproduziert werden. Eine Augmentation des Trainings durch den gezielten Einsatz synthetischer Daten könnte hier Abhilfe schaffen und die Performance von KI-basierten Auswertetools erstmals zu einem neuen Goldstandard erheben.
Diskussion
Wie hier am Beispiel des Lungenkarzinoms gezeigt, besitzen KI-basierte Verfahren das Potenzial, die pathologische Diagnostik zu objektivieren und zu standardisieren. Dies beinhaltet zunächst die Erkennung und Graduierung von Diagnosen (Entzündungen, Tumoren, Degeneration), das relevantere Einsatzgebiet ist aber die objektive Messung von gewebebasierten Biomarkern – visuell und morpho-molekular. Dies könnte dazu führen, dass die Vorhersagekraft prädiktiver Biomarker verbessert wird und Patientinnen und Patienten mit größerer Sicherheit eine für den individuellen Tumor passende Therapie erhalten oder neue, komplexe Biomarker für das Therapieansprechen entdeckt werden.
Dennoch bestehen methodische und ethische Herausforderungen. Supervidierte Modelle reproduzieren menschliche Fehler, während nicht-supervidierte Modelle häufig „Black-Box“-Charakter besitzen. Die Integration erklärbarer KI und die Verwendung synthetischer, validierter Trainingsdaten sind daher entscheidende Entwicklungsschritte. In molekularen Tumorkonferenzen können KI-Systeme die Interpretation komplexer Genomdaten unterstützen. Sie bieten zudem die Möglichkeit, klinische Entscheidungsprozesse durch strukturierte Evidenz zu untermauern. Gleichwohl ist menschliche Expertise weiterhin essenziell, um algorithmische Ergebnisse in den klinischen Kontext zu übersetzen.
Schlussfolgerung
Die Digitalisierung der Pathologie ist die Grundvoraussetzung für die erfolgreiche Anwendung KI-basierter Analysetools. KI kann die Befundqualität erhöhen, Prozesse beschleunigen und eine neue Ebene der Standardisierung ermöglichen. Dennoch ersetzt sie nicht das ärztliche Urteil. Gut ausgebildete Pathologinnen und Pathologen bleiben entscheidend – als Schnittstelle zwischen Technologie, Biologie und klinischer Entscheidungsfindung.
Literatur
- Ahn M-J, Tanaka K, Paz-Ares L, et al. Datopotamab deruxtecan versus docetaxel for previously treated advanced or metastatic non–small cell lung cancer: The randomized, open-label phase III TROPION-Lung01 study. J Clin Oncol. 2025;43(3):260–272. mehr lesen
- Brunnström H, Johansson A, Westbom-Fremer S, et al. PD-L1 immunohistochemistry in clinical diagnostics of lung cancer: inter-pathologist variability is higher than assay variability. Mod Pathol. 2017;30(10):1411–1421. mehr lesen
- Choi S, Cho SI, Ma M, Park S, et al. Artificial intelligence–powered programmed death ligand 1 analyser reduces interobserver variation in tumour proportion score for non–small cell lung cancer with better prediction of immunotherapy response. Europ J Cancer. 2022;170:17–26. mehr lesen
- Cooper WA, Russell PA, Cherian M, et al. Intra-and interobserver reproducibility assessment of PD-L1 biomarker in non–small cell lung cancer. Clin Canc Res. 2017;23(16):4569–44577. mehr lesen
- Cree IA, Booton R, Cane P, Gosney J, et al. PD‐L1 testing for lung cancer in the UK: recognizing the challenges for implementation. Histopathology. 2016;69(2):177–186. mehr lesen
- de Jager VD, Timens W, Bayle A, et al. Developments in predictive biomarker testing and targeted therapy in advanced stage non-small cell lung cancer and their application across European countries. Lancet Reg Health Eur. 2024 Mar 1;38:100838. mehr lesen
- Doroshow DB, Wei W, Gupta S, et al. Programmed death-ligand 1 tumor proportion score and overall survival from first-line pembrolizumab in patients with nonsquamous versus squamous NSCLC. J Thorac Oncol 2021;16(12):2139–2143. mehr lesen
- Erber R, Banisch R, Schaaf C, et al. 1244P AI-based accurate PD-L1 IHC assessment in non-small cell lung cancer across multiple sites and scanners. Ann Oncol. 2023;34:S725. mehr lesen
- Flinner N, Boor P, Wild PJ. Digitale Pathologie. Pathologie. 2024;45(2):88–89. mehr lesen
- Forde PM, Spicer J, Lu S, Provencio M, et al. Neoadjuvant nivolumab plus chemotherapy in resectable lung cancer. New Engl J Med. 2022;386(21):1973–85. mehr lesen
- Giudicelli X, Aoun O, Perchoc A, Laville V, et al. Learning trauma surgery through cytoreductive surgery. Injury. 2023;54(5):1330–1333. mehr lesen
- Haragan A, Field JK, Davies MP, Escriu C, Gruver A, Gosney JR. Heterogeneity of PD-L1 expression in non-small cell lung cancer: Implications for specimen sampling in predicting treatment response. Lung Cancer. 2019;134:79–84. mehr lesen
- Huang Z, Chen L, Lv L, Fu C-C, Jin Y, Zheng Q, et al. A new AI-assisted scoring system for PD-L1 expression in NSCLC. Comput Meth Programs Biomedi. 2022;221:106829. mehr lesen
- Kuckelman J, Cuadrado D, Martin M. Thoracic trauma: a combat and military perspective. Current Trauma Reports. 2018;4(1):77–87. mehr lesen
- Mayer C, Ofek E, Fridrich DE, et al. Direct identification of ALK and ROS1 fusions in non-small cell lung cancer from hematoxylin and eosin-stained slides using deep learning algorithms. Mod Pathol. 2022;35(12):1882–1887. mehr lesen
- Mill L, Aust O, Ackermann JA, et al. Deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data. Commun Med (Lond). 2025 Mar 6;5(1):64. mehr lesen
- Neidlinger P, El Nahhas OSM, Muti HS, et al. Benchmarking foundation models as feature extractors for weakly supervised computational pathology[Internet]. Nat Biomed Eng. 2025 Oct 1. [Letzter Aufruf 21. Oktober 2025]Verfügbar unter: https://doi.org/10.1038/s41551-025-01516-3. Epub ahead of print. mehr lesen
- Pantanowitz J, Manko CD, Pantanowitz L, Rashidi HH. Synthetic Data and Its Utility in Pathology and Laboratory Medicine. Lab Invest. 2024 Aug;104(8):102095. mehr lesen
- Rashidi HH, Pantanowitz J, Hanna MG, et al. Introduction to artificial intelligence and machine learning in pathology and medicine: generative and nongenerative artificial intelligence basics. Mod Pathol. 2025;38(4):100688. mehr lesen
- Reck M, Dettmer S, Kauczor H-U, Kaaks R, Reinmuth N, Vogel-Claussen J. Lung cancer screening with low-dose computed tomography: current status in Germany. Dt Ärzteblatt Intern. 2023;120(23):387-392. mehr lesen
- Reck M, Rodríguez–Abreu D, Robinson AG, et al. Updated analysis of KEYNOTE-024: pembrolizumab versus platinum-based chemotherapy for advanced non–small-cell lung cancer with PD-L1 tumor proportion score of 50% or greater. J CliniOncol 2019;37(7):537–546. mehr lesen
- Rigamonti A, Viatore M, Polidori R, et al. Integrating AI-Powered digital pathology and imaging mass cytometry identifies key classifiers of tumor cells, stroma, and immune cells in Non–Small cell lung Cancer. Canc Res. 2024;84(7):1165–1177. mehr lesen
- Sammito S, Claus A, Rose D-M. Smoking prevalence in the area of responsibility of the German Ministry of Defense—results of the employee survey in the context of occupational health management. MilMed Res. 2020;7:1–7. mehr lesen
- Tolkach Y, Klein S, Tsvetkov T, Buettner R. Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie. Onkologie. 2023;29(10):839–850. mehr lesen
- Troncone G, Gridelli C. The reproducibility of PD-L1 scoring in lung cancer: can the pathologists do better? Transl Lung Cancer Res. 2017 Dec;6(Suppl 1):S74-S77. mehr lesen
- Vranic S, Gatalica Z. The Role of Pathology in the Era of Personalized (Precision) Medicine: A Brief Review. Acta Med Acad. 2021 Apr;50(1):47-57. mehr lesen
- Wu J, Liu C, Liu X, Sun W, et al. Artificial intelligence-assisted system for precision diagnosis of PD-L1 expression in non-small cell lung cancer. Mod Pathol. 2022;35(3):403–411. mehr lesen
Manuskriptdaten
Zitierweise
Steinestel K, Löwer-Kiem LM. Digitalisierung und Künstliche Intelligenz in der Pathologie am Beispiel des Lungenkarzinoms. WMM 2025;69(12):513-516.
DOI: https://doi.org/10.48701/opus4-778
Verfasser
Oberstarzt Prof. Dr. Dr. Konrad Steinestel
Leiter der Konsiliargruppe Pathologie
Institut für Pathologie und Molekularpathologie
Bundeswehrkrankenhaus Ulm
Oberer Eselsberg 40, 89081 Ulm
E-Mail: koradsteinestel@bundeswehr.org
Manuscript Data
Citation
Steinestel K, Löwer-Kiem LM. [Digitalization and Artificial Intelligence in Pathology Using Lung Cancer as an Example]. WMM 2025;69(12):513-516.
DOI: https://doi.org/10.48701/opus4-778
Author
Colonel (MC) Prof. Dr. Dr. Konrad Steinestel
Head of Bundeswehr Medical Service Advisory Group Pathology
Institute for Pathology and Molecular Pathology
Bundeswehr Hospital Ulm
Oberer Eselsberg 40, D-89081 Ulm
E-Mail: koradsteinestel@bundeswehr.org