Präzisionsonkologie: KI-basierte Vorhersagen bei Darmkrebs

Darmkrebs (Kolorektales Karzinom) ist laut WHO die zweithäufigste Ursache für krebsbedingte Todesfälle weltweit. Zum ersten Mal zeigen Forschende von Helmholtz Munich und der Technischen Universität Dresden (TU Dresden) nun, dass Vorhersagen basierend auf künstlicher Intelligenz (KI) vergleichbare Ergebnisse wie klinische Tests an Biopsien von Patienten mit kolorektalem Karzinom liefern können. Mit diesen KI-Vorhersagen können Gewebeproben schneller analysiert werden Das beschleunigt letztlich Behandlungsentscheidungen. Das neue Modell zur Biomarkererkennung stellt einen bedeutenden Fortschritt im Bereich der Präzisionstherapieansätze in der Onkologie dar. Die Methode wurde im Fachjournal Cancer Cell veröffentlicht.

Ein Team von Wissenschaftler um Dr. Tingying Peng von Helmholtz Munich und Prof. Jakob N. Kather von der TU Dresden zeigt, dass eine KI in Gewebeproben von Patienten mit Darmkrebs in der Lage ist, spezifische Biomarker vorherzusagen. Die Forschenden verwendeten sogenannte Transformer- Neuronale-Netzwerke. Das ist ein neuer Ansatz im Bereich Deep Learning, um Muster als Grundlage für diagnostische Entscheidungen in Krebsbehandlungen zu identifizieren. Dabei stellt die neue Methode eine wesentliche Verbesserung gegenüber früheren Ansätzen zur Biomarkererkennung dar. 

Übertragbarkeit und Daten-Effizienz von KI durch Evaluation belegt 

Die Software verwendet im gesamten Analyseprozess eine neuartige Technologie. Es handelt sich um Transformer-Neuronale-Netzwerke. Der Ansatz verbessert deutlich die Leistung, Übertragbarkeit, Daten-Effizienz und Interpretierbarkeit. Dies wurde an einer großen multizentrischen Kohorte von über 13.000 Patienten aus 16 Kohorten aus sieben Ländern (Australien, China, Deutschland, Großbritannien, Israel, Niederlande, USA) evaluiert. Ein Teil dieser Kohorte wurde von Forschenden vom Deutschen Krebsforschungszentrums (DKFZ) in Heidelberg und dem Nationalen Centrum für Tumorerkrankungen (NCT) beigesteuert. Durch Trainings an großen multizentrischen Kohorten kann der Algorithmus eine sehr hohe Sensitivität bei operativ entnommenen Gewebeproben erreichen. Bemerkenswerterweise kann das Modell, obwohl es nur auf Gewebeproben von Resektionen trainiert wurde, auch bei durch eine Koloskopie entnommenen Biopsiegewebe eine hohe Genauigkeit erzielen. 

Sophia J. Wagner, die Erstautorin der Studie, betont, dass „die Anwendbarkeit auf Biopsiegewebe den Nutzen des Algorithmus für Patienten und Patientinnen erhöht, wenn er schließlich im Klinikalltag eingesetzt wird“.

Vorscreenings für Biopsien beschleunigen Diagnose

Aufgrund der hohen Genauigkeit bei Biopsiegewebe kann der Algorithmus für ein Vorscreening eingesetzt werden. Darauf können dann bei einem positiven Ergebnis validierende Tests folgen. Die Anwendung der KI-basierten Vorhersage von Biomarkern könnte die Testbelastung reduzieren. Das würde den Schritt zwischen der Biopsieentnahme und der molekularen Bestimmung des genetischen Risikostatus beschleunigen. Damit kann wiederum eine frühzeitige Patientenbehandlung mit einer möglichen Immuntherapie erfolgen.

Lesen Sie auch: KI-basierte Stimmanalyse: Neue Technologie zur Überwachung von Patienten mit Herz-Kreislauf-Erkrankungen