KI sagt das Wiederauftreten eines Meningeoms anhand routinemäßiger pathologischer Dias voraus

Forscher und Mitarbeiter der Mayo Clinic haben gezeigt, dass künstliche Intelligenz (KI) routinemäßige Pathologieschnitte analysieren kann, um Meningeome, den häufigsten primären Hirntumor bei Erwachsenen, zu klassifizieren und das Risiko eines Tumorrezidivs eines Patienten vorherzusagen.

Die Studie, veröffentlicht in Die Lancet Digital Healthzeigt, dass Deep-Learning-Modelle molekulare und prognostische Informationen aus Standard-Hämatoxylin- und Eosin- oder H&E-Objektträgern extrahieren können – der gleichen Art von Gewebebildern, die bereits in der klinischen Routineversorgung verwendet werden. Diese Erkenntnisse werden typischerweise durch DNA-Methylierungsprofilierung gewonnen, einem fortschrittlichen Gentest, der wertvolle diagnostische und prognostische Informationen liefert, aber kostspielig und zeitaufwändig sein kann und in vielen Krankenhäusern nicht verfügbar ist.

Dies ist eine der vielen Studien, in denen wir die Stärke der digitalen Pathologie nutzen können, indem wir das genomische und molekulare Wissen der letzten zwei Jahrzehnte in KI-Algorithmen erfassen.“

Gelareh Zadeh, MD, Ph.D., Leiterin der Abteilung für Neurochirurgie an der Mayo Clinic in Rochester und David C. und Flora C. Pratt Distinguished Chief Medical Officer für die Mayo Clinic Platform

Erweiterte Erkenntnisse über Tumore leichter zugänglich machen

Meningeome können im Verhalten sehr unterschiedlich sein. Einige wachsen langsam und kehren nach der Behandlung möglicherweise nie wieder zurück, während andere aggressiver sind und mit größerer Wahrscheinlichkeit erneut auftreten. Das Verständnis dieses Risikos ist für Patienten und Pflegeteams von entscheidender Bedeutung bei der Entscheidung, ob nach der Operation möglicherweise eine zusätzliche Behandlung, beispielsweise eine Strahlentherapie, erforderlich ist.

Molekulare Tests können dabei helfen, herauszufinden, welche Tumoren mit größerer Wahrscheinlichkeit erneut auftreten und welche möglicherweise anders auf die Behandlung ansprechen. Diese Tests erfordern jedoch spezielle Technologie und Fachwissen, wodurch der Zugang für viele Patienten eingeschränkt ist.

Anhand von Gewebeproben, Pathologiebildern und klinischen Daten von 672 Patienten trainierten Forscher die KI, um Informationen über die Biologie eines Tumors aufzudecken. Basierend auf mehreren nicht identifizierten Datensätzen, einschließlich Datenressourcen der Mayo Clinic Platform, konnten die Modelle Meningeom-Subtypen klassifizieren und das Rezidivrisiko mithilfe von Standard-Pathologie-Objektträgern vorhersagen, die bereits Teil der routinemäßigen Patientenversorgung sind.

Die Ergebnisse deuten darauf hin, dass KI eines Tages Ärzten dabei helfen könnte, detailliertere Tumorinformationen zu erhalten, ohne dass Patienten sich fortgeschrittenen Gentests unterziehen müssen.

Unterstützung bei Behandlungsentscheidungen

Bei Patienten mit Meningeomen kann das Rezidivrisiko die Nachsorge, die Häufigkeit der Bildgebung und die Frage, ob eine Strahlentherapie in Betracht gezogen werden sollte, beeinflussen. Die Studie ergab, dass KI-basierte Vorhersagen auch nach Berücksichtigung traditioneller klinischer Faktoren wie Tumorgrad, Ausmaß der chirurgischen Entfernung des Tumors und Alter des Patienten nützlich blieben.

Die Forscher fanden außerdem heraus, dass die KI-Modelle Muster der Tumorheterogenität – Unterschiede innerhalb desselben Tumors – identifizieren könnten, die helfen könnten, zu erklären, warum sich manche Tumoren aggressiver verhalten oder unterschiedlich auf die Behandlung reagieren.

Die Forscher weisen darauf hin, dass weitere prospektive Studien erforderlich sind, bevor die KI-Modelle routinemäßig in der klinischen Versorgung eingesetzt werden können. Sie sagen jedoch, dass die Ergebnisse den Grundstein für eine besser zugängliche, personalisierte Versorgung von Patienten mit Meningeomen legen – und möglicherweise für ähnliche KI-Ansätze bei anderen Krebsarten.

„Ziel ist es, diese Algorithmen für den weltweiten Einsatz leicht und einfach zugänglich zu machen und so die Patientenversorgung in vielen Gesundheitseinrichtungen zu verbessern“, sagt Dr. Zadeh.

Quellen: