Histopatologisk cancerdiagnostik är avgörande för att patienten ska få korrekt diagnos och optimal behandling. Personalbrist och ökat inflöde av prover till våra patologilaboratorier innebär utmaningar och bidrar till att flera vårdgivare har svårt att uppfylla SVF-kraven. Endast en mycket liten del av den manuella histopatologiska diagnostiken kan ersättas av molekylära/sekvenseringsbaserade analyser, utan dessa ska ses som behandlingsprediktiva tillägg för patienter med vissa avancerade cancersjukdomar. För majoriteten av cancermediciner saknas prediktiva biomarkörer och patologens mikroskopiska analys utgör den centrala faktorn för att bedöma patientens prognos, vilket ligger till grund för onkologiska behandlingsbeslut. Genom våra kvalitetsregister vet vi idag att diagnostik och behandling av en cancerpatient med samma sjukdom kan skilja stort mellan olika sjukhus, men även inom samma sjukhus från år till år. Ett exempel är bröstcancer som nu är vår vanligaste cancerform. Tumörgradering (NHG) är en hörnsten i den histopatologiska diagnostiken och en av de viktigaste prognostiska faktorerna. Men gradering kräver erfarenhet och är en tidskrävande procedur där olika morfologiska parametrar vägs samman. Tumörens grad påverkar starkt patientens prognos och en hög-gradig cancer anses ha behov av adjuvant kemoterapi för att minska risken för återfall. En patient med en låg-gradig cancer har å andra sidan låg risk för återfall och död.

Publicerad svenska data såväl som färsk statistik från kvalitetsregistret visar på oroväckande stora skillnader i vad patologen klassificerar som hög- och låg-gradig bröstcancer [1]. Det gäller både mellan olika sjukhus och inom samma klinik, vilket visar på begränsningar i den mänskliga förmågan att systematiskt analysera histopatologiska bilder. Ett annat problem är att drygt 50% av bröstcancrarna klassificeras som grad 2, en intermediärgrupp som saknar klinisk relevans [1-3]. Genexpressionsprofilering (GEP) genom två olika amerikanska leverantörer (OncotypeDx från Exact Science respektive Prosigna från Veracyte) används idag för att riskindela bröstcancrar inom intermediärgruppen till hög eller låg risk för återfall. Flertalet cancerpatienter får dock inte tillgång till GEP eftersom de är dyra (25-30 KSEK/prov), resurs- och tidskrävande. Dessutom finns det juridiska utmaningar med att skicka pseudonymiserade patientprover till företag i USA. Inom region Skåne används en egenutvecklad metod som saknar regulatoriskt godkännande. En annan mycket viktig begräsning med GEP är att analyserna inte ger likartad riskindelning varför patienterna vid olika sjukhus inte kan jämföras och riskerar olika behandling baserat på vilket GEP som används.

Den snabba digitaliseringen inom klinisk patologi ger nu en enorm möjlighet att applicera, validera och utvärdera AI-tekniker som beslutsstöd inom patologi. Samtliga svenska patologilaboratorier har idag tillgång till digital patologi. Införandet av nya AI-tekniker är dock kostsam och svårt att genomföra utan externa medel under en övergångsperiod. Idag finns kliniskt godkända AI-verktyg för att hjälpa patologen att detektera cancer, identifiera biomarkörer och riskindela bröstcancer direkt från mikroskopibilderna, vilket också beskrivs i patologibilagan till det nationella vårdprogrammet