KI-basierte Vorhersagen bei Darmkrebs als bedeutender Schritt in Richtung Präzisionsonkologie

Mit diesen KI-Vorhersagen können Gewebeproben schneller analysiert werden, was letztlich Behandlungsentscheidungen beschleunigt. 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:innen um Dr. Tingying Peng von Helmholtz Munich und Prof. Jakob N. Kather von der TU Dresden zeigt, dass eine KI in Gewebeproben von Patientinnen und Patienten mit Darmkrebs in der Lage ist, spezifische Biomarker vorherzusagen. Die Forschenden verwendeten sogenannte Transformer- Neuronale-Netzwerke, 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 durch Evaluation belegt

Die Software verwendet im gesamten Analyseprozess eine neuartige Technologie: 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 Klinik Alltag eingesetzt wird."

KI-basierte Vorscreenings für Biopsien beschleunigen Diagnose

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

Originalpublikation
Sophia J. Wagner, Daniel Reisenbüchler, Nicholas P. West, Jan Moritz Niehues, Jiefu Zhu, Sebastian Foersch, Gregory Patrick Veldhuizen, Philip Quirke, Heike I. Grabsch, Piet A. van den Brandt, Gordon G. A. Hutchins, Susan D. Richman, Tanwei Yuan, Rupert Langer, Josien C. A. Jenniskens, Kelly Offermans, Wolfram Mueller, Richard Gray, Stephen B. Gruber, Joel K. Greenson, Gad Rennert, Joseph D. Bonner, Daniel Schmolze, Jitendra Jonnagaddala, Nicholas J. Hawkins, Robyn L. Ward, Dion Morton, Matthew Seymour, Laura Magill, Marta Nowak, Jennifer Hay, Viktor H. Koelzer, David N. Church, TransSCOT consortium, Christian Matek, Carol Geppert, Chaolong Peng, Cheng Zhi, Xiaoming Ouyang, Jacqueline A. James, Maurice B. Loughrey, Manuel Salto-Tellez, Hermann Brenner, Michael Hoffmeiste, Daniel Truhn, Julia A. Schnabel, Melanie Boxberg, Tingying Peng, Jakob Nikolas Kather (2023): Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study. Cancer Cell. https://doi.org/10.1016/j.ccell.2023.08.002

Quelle: Helmholtz Zentrum München Deutsches Forschungszentrum für Gesundheit und Umwelt (GmbH)