5. Jenaer Technologietag (JETT) Optische Technologien für Gesundheit und Sicherheit 13. Oktober 2008, Fachhochhochschule Jena Sitzung Innovative Krebsdiagnostik mit optischen Methoden der Pathologie Die Pathologie im Wandel - neue Technologien als Chance Prof. Dr. med. Iver Petersen Institut für Pathologie Universitätsklinikum Jena Friedrich-Schiller-Universität Ziegelmühlenweg 1 D-07740 Jena iver.petersen@med.uni-jena.de
Aufgaben der Pathologie in der Tumordiagnostik Erstellung einer exakten Tumorklassifikation Präoperativ an Biopsien Postoperativ am Tumorresektat Einschätzung des Risiko an der Tumorerkrankung zu versterben (Prognostische Pathologie) Unmittelbare Auswirkung auf die weitere Therapieplanung Vorherrsage zum Ansprechen einer speziellen Therapieform (Prädiktive Pathologie)
Tumorbiopsie Tumorresektat
Beispiel einer vollständigen Tumorklassifikation durch den Pathologen Biopsie: Resektat: C34.9, M8140/3, G3 C34.9, M8140/3, pt2, pn1 (2/14), pmx, G3, R0, L1, V0 C34.9 Lunge o.n.a. M8140/3 Adenokarzinom o.n.a. pt2 Tumor > 3cm und/oder mit Befall des Hauptbronchus (> 2cm distal der Karina) u./o. mit Infiltration der Pleura visceralis und/oder assoziierter Atelektase/obstruktiver Entzündung pn1 Metastase(n) in ipsilateralen peribronchialen und/oder ipsilaterlalen Hilus- oder intrapulmonaler Lymphknoten Mx klinischerseits keine Angaben zu Fernmetastasen G3 Tumor mit hohem Malignitätsgrad/schlechter Differenzierung R0 Vollständige Tumorresektion L1 Lymphgefässinvasion nachweisbar V0 keine Veneinvasion
Prognosefaktor Nodalstatus (pn) n=2000, median 66 Monate Verlaufsdaten Bild Kaplan Meyer Plot pn0 pn1 pn0: 0 LK-Met. pn1: 1-3 LK-Met. pn2: 4-9 LK-Met. (pn3: 10 LK-Met.) p<0.0001 pn2
Morphologische Klassifikation des Lungenkarzinoms SCC ADC Histobild Histobild LCLC p63 CK5 CK14 SCLC TTF1 SFTP CK7 Histobild Histobild Synpto Chromo CD56/NCAM
Expressionsprofile identifizieren die morphologischen Subgruppen LCLC Gencluster SCLC Gencluster SCC Gencluster ADC Gencluster mrna Expression mrna Expression Garber, Petersen et al. PNAS 2001
Morphologische und prognostische Unterschiede in den Adenokarzinom Gruppen ADC Gr. 2 BAC G1/2 TTF1 pos. Bild Kaplan Meyer Plot Histobild Histobild ADC Gr. 3 Solid G3 TTF1 neg. Histobild ADC Gr. 1 Tub./azinär G2 TTF1 (pos.)
Keine Korrelation des Überlebens mit KRAS Mutation Gencluster Gruppen EGFR Mutationsstatus (del./point mut./cish/fish) EGFR Immunohistochemie Motoi, Travis et al., Am J Surg Pathol 2008
Gen-Signaturen in der Prognose-Prädiktion beim Lungenkrebs 50-Gen Risko Index Chip-based RNA expression profiling Beer et al. Nature Medicine 2002 25-signal Proteom-Signatur MALDI Mass Spectrometry Yanagisawa et al. JNCI 2007 5-Gen Signatur Chen et al. NEJM 2007 RT-PCR of DUSP6, MMD, STAT1, ERBB3, LCK
Signalwege und zielgerichtete Therapie beim Lungenkarzinom Sato, Shames, Gazdar & Minna, JTO, 2007
EGFR Signalweg Hauptangriffsziel der zur Zeit klinisch verwandten targeted therapies beim Lungenkarzinom Mutationensorte 1. EGFR 2. PI3K 3. Ras 4. Raf Pao & Miller 2003 Mutationen im exon 19 und 21 von EGFR sind hoch prädiktiv für das Ansprechenden mit spezifischen EGFR Inhibitoren sorte Mutationen im Exon 20 von EGFR und KRAS sind dagegen mit einer Resistenz gegenüber dieser Zielgerichteten Therapie verbunden
Neue Techniken als Chance für die Pathologie Problem: Verbesserung der R-Klassifikation Operationsresektat Tumor Vollständiges 3-dimensionales Einscannen des Präparates verbunden mit eindeutiger Korrelation zur in situ Situation im Patienten. Zusätzlich Entwicklung einer Bestrahlungstechnik, die in das Präparat einzudringen und den Abstand zum Tumor detektieren kann
Neue Techniken als Chance für die Pathologie Problem: in situ Quantifizierung von Expressionssignalen Pathology, Research and Practice, 2007
icon-tmas für die Expressionsquantifizierung Petersen et al., Pathology, Research and Practice, 2007 Probleme: Die Protein-Expression mittels immunhistochemische Detektion von Antigenen ist nur mässig gut für eine Quantifizierung geeignet z.b. wegen der Signalverstärkungsverfahren (Standardverfahren in Lösung: Western Blot) Die RNA-Expression kann noch schlechter in situ quantifiziert werden (Standardverfahren in Lösung: Realtime-PCR oder Northern Blot)
Neue Techniken als Chance für die Pathologie Problem: Multiprobe in situ Detektion Die zukünftige Tumorklassifikation verlangt nach einer simultanen in situ Darstellung unterschiedlicher Zielmoleküle am Gewebeschnitt (z.b. zur Darstellung eines Signaltransduktionswegs oder von diagnostische Gensignaturen) Lösungsmöglichkeiten: Multicolor-Fluoreszenz Verfahren Serielle Anfärbung mehrerer Schnitte und Übereinanderlagerung mittels virtueller Mikroskopie
Von der Virtuellen Mikroskopie zur digitalen Pathologie Die Vergangenheit: Licht-Mikroskopie und ihre Hilfsmittel 17th Jahrhundert: Lichtmikroskopie 1970 s: Digitale Kameras an Mikroskopen 1990 s: Telepathology mit unbewegten Bilder 1998: Motorisierte Mikroskope, die über das Internet gesteuert werden (Wolf, Petersen et al. Nature 1998)
From Virtual Microscopy to Digital Pathology Die Gegenwart: Virtuelle Mikroskopie Digital Virtuelle Mikroskopie mit kompletten virutellen Schnitten Real-time Ansicht der virtuellen Schnitte über das Internet (300 ms) Einsatz zur Zeit in der Lehre, Telekonsultation, Fallsammlungen
From Virtual Microscopy to Digital Pathology Die Zukunft: Digital Pathologie Zunehmende, ausgedehnte Laborautomatisierung kontrollierte digitale Arbeitsabläufe, vom Gewebe zur Diagnose Große PACS Systeme und Bildkommunikation Routinepathologie über Computermonitore statt Mikroskopen Bildanalyse und weitere digitale diagnostische Werkzeuge Intelligentes Bildarchiv (Retrieval) und semantische Netzwerke Gebrauch in der Routinediagnostik
Während der Diagnostik: Unterstützung durch Bildanalyse und Referenzvergleich Texturanalyse, Segmentierung Pathologie-Informationssystem, Diagnostik am Virtuellen Mikroskop Objekterkennung und Zählen Farbklassifikation, Quantifizierung Wissensdatenbank mit verknüpften Bild- und Metadaten Wissensdatenbank mit diagnostizierten Referenzbildern und Metadaten Vor der Diagnostik: Automatische Selektion der Region of Interest