Neues KI-Tool für die Krebsbehandlung

• Wissenschaftler der Harvard Medical School haben ein vielseitiges, ChatGPT-ähnliches KI-Modell entwickelt, das verschiedene diagnostische Aufgaben über mehrere Krebsarten hinweg ausführen kann
• Dieses neue KI-System geht einen Schritt über viele der aktuellen KI-Ansätze zur Krebsdiagnostik hinaus
• Aktuelle KI-Systeme werden in der Regel darauf trainiert, spezifische Aufgaben auszuführen, etwa das Vorhandensein von Krebs zu erkennen oder das genetische Profil eines Tumors vorherzusagen, und funktionieren meist nur bei wenigen Krebsarten
• Das neue Modell dagegen kann ein breites Spektrum an Aufgaben übernehmen, wurde bei 19 Krebsarten getestet und besitzt eine Flexibilität, die großen Sprachmodellen wie ChatGPT ähnelt
• In jüngster Zeit sind zwar weitere grundlegende KI-Modelle für medizinische Diagnosen auf Basis pathologischer Bilder erschienen, doch dieses gilt als das erste Modell, das Patientenergebnisse vorhersagt und in mehreren internationalen Patientengruppen validiert wurde
• Ein KI-Modell, das durch das Auslesen von Tumorgewebe-Slides arbeitet
  • Es erkennt Krebszellen und sagt auf Basis der in den Bildern sichtbaren Zellmerkmale das molekulare Profil des Tumors mit höherer Genauigkeit voraus als die meisten aktuellen KI-Systeme
  • Es prognostiziert das Überleben von Patienten über mehrere Krebsarten hinweg und identifiziert präzise Merkmale des Gewebes rund um den Tumor (Tumormikroumgebung), die mit der Reaktion von Patienten auf Standardbehandlungen wie Operation, Chemotherapie, Strahlentherapie und Immuntherapie zusammenhängen
  • Es scheint neue Erkenntnisse erzeugen zu können, etwa indem es bestimmte Tumormerkmale identifiziert, von denen bislang nicht bekannt war, dass sie mit dem Überleben von Patienten zusammenhängen
• Das Forschungsteam sagt, dass sich die Hinweise mehren, wonach diese Ergebnisse die Fähigkeit von Klinikern verbessern könnten, Krebs effizient und präzise zu beurteilen, einschließlich der Identifizierung von Patienten, die auf Standard-Krebsbehandlungen möglicherweise nicht gut ansprechen
• Kun-Hsing Yu sagte: „Wenn unser Ansatz und ähnliche Ansätze weiter validiert und breit ausgerollt werden, könnten sie Krebspatienten frühzeitig identifizieren, die von experimentellen Therapien profitieren könnten, die auf bestimmte molekulare Veränderungen abzielen.“

Training und Leistung

• Die neueste Studie des Teams baut auf Yus früherer Arbeit zu KI-Systemen für die Bewertung von Darmkrebs und Hirntumoren auf. Diese frühere Forschung belegte die Machbarkeit dieses Ansatzes innerhalb bestimmter Krebsarten und spezifischer Aufgaben
• Das neue Modell mit dem Namen CHIEF (Clinical Histopathology Imaging Evaluation Foundation) wurde trainiert, indem 15 Millionen unbeschriftete Bilder in relevante Abschnitte unterteilt wurden
• Das Tool wurde zusätzlich mit 60.000 Whole-Slide-Bildern von Gewebe trainiert, darunter Lunge, Brust, Prostata, Darm, Magen, Speiseröhre, Niere, Gehirn, Leber, Schilddrüse, Bauchspeicheldrüse, Gebärmutterhals, Gebärmutter, Eierstöcke, Hoden, Haut, Weichgewebe, Nebenniere und Blase
• Indem das Modell so trainiert wurde, dass es sowohl bestimmte Bildabschnitte als auch ganze Bilder betrachtet, konnte es spezifische Veränderungen in einem Bereich mit dem Gesamtkontext verknüpfen. Laut den Forschern ermöglichte dieser Ansatz CHIEF, Bilder ganzheitlicher zu interpretieren, indem es den breiteren Kontext berücksichtigt, statt sich nur auf einzelne Bereiche zu konzentrieren
• Nach dem Training testete das Team die Leistung von CHIEF anhand von mehr als 19.400 Whole-Slide-Bildern aus 32 unabhängigen Datensätzen, die an 24 Krankenhäusern und Patienten-Kohorten weltweit gesammelt worden waren
• Insgesamt übertraf CHIEF andere führende KI-Methoden bei Aufgaben wie der Erkennung von Krebszellen, der Identifizierung des Tumorursprungs, der Vorhersage von Patientenergebnissen sowie der Erkennung von Gen- und DNA-Mustern im Zusammenhang mit dem Therapieansprechen um bis zu 36 %
• Dank seines vielfältigen Trainings lieferte CHIEF gleich gute Ergebnisse, unabhängig davon, ob Tumorzellen durch eine Biopsie oder durch chirurgische Resektion gewonnen wurden
• Auch unabhängig von der zur Digitalisierung der Krebszellproben verwendeten Technik blieb die Genauigkeit gleich
• Die Forscher sagen, dass diese Anpassungsfähigkeit CHIEF für den Einsatz in unterschiedlichen klinischen Umgebungen geeignet macht und einen wichtigen Schritt über aktuelle Modelle hinaus darstellt, die meist nur dann gut funktionieren, wenn sie Gewebe lesen, das mit einer bestimmten Technik gewonnen wurde

Krebserkennung

• CHIEF erreichte bei der Krebserkennung eine Genauigkeit von fast 94 % und übertraf aktuelle KI-Ansätze deutlich in 15 Datensätzen mit 11 Krebsarten
• In fünf Biopsie-Datensätzen aus unabhängigen Kohorten erreichte CHIEF eine Genauigkeit von 96 % über mehrere Krebsarten hinweg, darunter Speiseröhren-, Magen-, Darm- und Prostatakrebs
• Als die Forscher CHIEF an operativ entfernten Tumor-Slides aus Darm, Lunge, Brust, Endometrium und Gebärmutterhals testeten, die das Modell zuvor nicht gesehen hatte, arbeitete es mit einer Genauigkeit von über 90 %

Vorhersage des molekularen Profils von Tumoren

• Die genetische Zusammensetzung eines Tumors liefert wichtige Hinweise auf sein künftiges Verhalten und die optimale Behandlung
• Um diese Informationen zu erhalten, veranlassen Onkologen eine DNA-Sequenzierung von Tumorproben, doch weltweit wird ein derart detailliertes genomisches Profiling von Krebsgewebe aufgrund von Kosten und Zeitaufwand nicht routinemäßig oder einheitlich durchgeführt
• CHIEF übertraf aktuelle KI-Methoden bei der Vorhersage genomischer Veränderungen von Tumoren anhand mikroskopischer Slides
• Dieser neue KI-Ansatz identifizierte erfolgreich Merkmale, die mit mehreren wichtigen Genen zusammenhängen, die an Krebswachstum und Tumorunterdrückung beteiligt sind, und sagte zentrale genetische Veränderungen voraus, die mit dem Ansprechen eines Tumors auf verschiedene Standardtherapien zusammenhängen
• CHIEF erkannte außerdem bestimmte DNA-Muster, die damit zusammenhängen, wie gut Darmtumoren auf eine Form der Immuntherapie namens Checkpoint-Blockade ansprechen könnten
• Beim Betrachten ganzer Gewebebilder identifizierte CHIEF Veränderungen in 54 häufig mutierten Krebsgenen mit einer Gesamtgenauigkeit von über 70 % und übertraf damit die derzeit führenden KI-Methoden zur genomischen Krebsprognose. Bei spezifischen Genen innerhalb bestimmter Krebsarten lag die Genauigkeit noch höher
• Das Forschungsteam testete außerdem CHIEFs Fähigkeit, Mutationen in 18 Genen über 15 anatomische Bereiche hinweg vorherzusagen, die mit dem Ansprechen auf von der FDA zugelassene zielgerichtete Therapien verbunden sind. CHIEF erreichte hohe Genauigkeiten bei mehreren Krebsarten, darunter 96 % bei der Erkennung von Mutationen im Gen EZH2, das bei der Blutkrebserkrankung diffus großzelliges B-Zell-Lymphom häufig vorkommt, 89 % bei Mutationen im BRAF-Gen bei Schilddrüsenkrebs und 91 % bei Mutationen im NTRK1-Gen bei Kopf-Hals-Krebs

Vorhersage des Patientenüberlebens

• CHIEF sagte das Überleben von Patienten auf Basis histopathologischer Tumoraufnahmen, die bei der Erstdiagnose gewonnen wurden, erfolgreich voraus
• Über alle Krebsarten und untersuchten Patientengruppen hinweg unterschied CHIEF zwischen Patienten mit langem und kurzem Überleben
• CHIEF zeigte eine um 8 % bessere Leistung als andere Modelle und bei Patienten mit fortgeschrittenem Krebs eine um 10 % bessere Leistung als andere KI-Modelle
• CHIEFs Fähigkeit, ein hohes gegenüber einem niedrigen Sterberisiko vorherzusagen, wurde an Patientenproben aus 17 verschiedenen Einrichtungen getestet und bestätigt

Neue Erkenntnisse über das Tumorverhalten gewinnen

• Das Modell identifizierte charakteristische Muster in den Bildern, die mit Tumoraggressivität und dem Überleben von Patienten zusammenhängen
• Um diese interessanten Bereiche zu visualisieren, erzeugte CHIEF Heatmaps für die Bilder. Als menschliche Pathologen diese von der KI abgeleiteten Hotspots analysierten, sahen sie interessante Signale, die die Wechselwirkung zwischen Krebszellen und dem umgebenden Gewebe widerspiegeln
• Ein solches Merkmal war eine größere Zahl von Immunzellen in den Tumorbereichen von Langzeitüberlebenden im Vergleich zu Kurzzeitüberlebenden. Yu wies darauf hin, dass dieser Befund plausibel sei, weil eine stärkere Präsenz von Immunzellen darauf hindeuten könne, dass das Immunsystem aktiviert wurde, um den Tumor anzugreifen
• Beim Blick auf die Tumoren von Kurzzeitüberlebenden identifizierte CHIEF Bereiche von Interesse, die durch abnormale Größenverhältnisse zwischen verschiedenen Zellkomponenten, mehr atypische Merkmale in den Zellkernen, schwächere Verbindungen zwischen Zellen und eine geringere Präsenz von Bindegewebe in den Bereichen um den Tumor herum gekennzeichnet waren. In diesen Tumoren fanden sich außerdem mehr absterbende Zellen in der Umgebung. Bei Brusttumoren etwa markierte CHIEF das Vorhandensein von Nekrose im Gewebe (früher Zelltod) als Bereich von Interesse. Brustkrebs mit höheren Überlebensraten hingegen bewahrte mit größerer Wahrscheinlichkeit Zellstrukturen, die gesundem Gewebe ähneln. Das Forschungsteam erklärte, dass sich die mit dem Überleben zusammenhängenden visuellen Merkmale und Bereiche von Interesse je nach Krebsart unterschieden

Nächste Schritte

Die Forscher sagen, dass sie die Leistung von CHIEF verbessern und seine Funktionen auf folgende Weise erweitern wollen:

• zusätzliches Training mit Gewebebildern seltener Erkrankungen und nicht krebsbedingter Zustände
• Einbeziehung von Proben präkanzerösen Gewebes, bevor Zellen vollständig krebsartig werden
• stärkere Exposition des Modells gegenüber mehr molekularen Daten, um seine Fähigkeit zur Identifizierung von Krebs mit unterschiedlichem Aggressivitätsgrad zu verbessern
• Training des Modells zur Vorhersage von Nutzen und Nebenwirkungen neuer Krebstherapien zusätzlich zu Standardbehandlungen

Meinung von GN⁺

• Diese Studie zeigt Fortschritte der KI-Technologie für Krebsdiagnostik und Behandlungsplanung. Besonders bedeutsam ist, dass ein universell einsetzbares Modell entwickelt wurde, das über mehrere Krebsarten hinweg angewendet werden kann
• Für den tatsächlichen Einsatz in der klinischen Praxis dürfte jedoch eine Validierung mit mehr Daten nötig sein, ebenso wie Wege, wie Ärzte und KI effektiv zusammenarbeiten können. Auch Fragen zur Genauigkeit der Diagnosen und zur Verantwortlichkeit bleiben offen
• Vergleichbare Technologien gibt es bei Unternehmen wie Paige.AI und Proscia, die Krebs anhand der Analyse pathologischer Bilder diagnostizieren. Sie bieten auf bestimmte Krebsarten spezialisierte Lösungen und unterscheiden sich damit von dieser Studie in Bezug auf ihre Allgemeingültigkeit
• Bei der Einführung KI-basierter Krebsdiagnostik werden unterschiedliche gesellschaftliche Verständigungen und regulatorische Anpassungen nötig sein, etwa zur veränderten Rolle des medizinischen Personals, zur Verbesserung diagnostischer Prozesse und zur Anpassung der Vergütungssysteme. Gleichzeitig müssen technische und ethische Risiken wie KI-Bias und Datenschutzfragen sorgfältig geprüft werden
• Wenn künftig KI-Technologien entwickelt werden, die auch die molekularbiologischen Eigenschaften von Tumorgewebe umfassend analysieren und sogar die Medikamentenreaktion vorhersagen können, könnten sie wesentlich zur Umsetzung der Präzisionsmedizin beitragen