Vorhersage des Rückfallrisikos bei Krebs dank Deep-Learning-Modell

Gebärmutterkrebs ist die häufigste Krebserkrankung der weiblichen Geschlechtsorgane in Industrieländern. Die meisten Frauen mit lokalisierter Erkrankung können durch eine Operation geheilt werden. Dennoch kann bei 10-bis 20-Prozent der Frauen der Krebs an einem anderen Ort wieder auftreten (Fernrezidiv), was in der Regel unheilbar ist. Um dieses Risiko zu senken, kann eine zusätzliche Chemotherapie oder Radiotherapie eingesetzt werden, die jedoch wesentliche Nebenwirkungen verursachen kann.

 

Aktuelle Behandlungsmethoden zeitaufwendig und kostspielig

Das Rückfallrisiko von Gebärmutterkrebs und die Streuung in entfernte Organe vorherzusagen, ist entscheidend für eine erfolgreiche Nachbehandlung. Aktuelle Behandlungsempfehlungen stützen sich auf verschiedene Risikofaktoren, darunter der Tumortyp, das Krankheitsstadium und bestimmte molekulare Eigenschaften des Krebses. Die Bewertung dieser Faktoren ist jedoch kompliziert, zeitaufwendig und kostspielig. Moderne Deep-Learning-Modelle zeigen in Vergleich zu traditionellen Methoden grosses Potenzial, um Krebsmerkmale besser zu erkennen und Prognosen zu erstellen. Besonders vielversprechend sind KI-Systeme, die Gewebebilder von Tumoren analysieren und dabei präzise Rückschlüsse auf molekulare Veränderungen oder das Rückfallrisiko erlauben.

 

Künstliche Intelligenz HECTOR verbessert die Prognosen

Prof. Viktor Kölzer, Co-Chefarzt der Pathologie des Universitätsspitals Basel hat in Kollaboration mit einem internationalen Forschungsteam des Leiden University Medical Center um Prof. Tjalling Bosse ein Deep-Learning-Modell trainiert, das bei Patientinnen mit Gebärmutterkrebs allein anhand von Tumorgewebeproben und Tumorstadium das Risiko eines postoperativen Fernrezidivs voraussagen kann. Das neue Modell HECTOR (histopathology-based endometrial cancer tailored outcome risk) wurde anhand von Datensätzen von über 1'000 Patientinnen trainiert, und teilt Patientinnen in Risiko-Gruppen ein: Niedrig, mittel und hoch. Dabei konnte es für Patientinnen der Niedrigrisikogruppe eine Rückfallwahrscheinlichkeit von unter 3-Prozent über einen Zeitraum von 10 Jahren feststellen, während die Wahrscheinlichkeit bei Hochrisikopatientinnen bei über 40-Prozent lag.

 

Mit diesen präzisen Vorhersagen könnte HECTOR in Zukunft dabei helfen, gezieltere Behandlungsentscheidungen zu treffen und unnötige belastende Therapien zu vermeiden. Zudem ist das ein grosser Schritt in Richtung personalisierter Medizin und könnte einen positiven Effekt auf die Gesundheitskosten haben. Diese Arbeit wurde mit dem renommierten Team Science Award des Dutch Research Councils ausgezeichnet und im Journal Nature Medicine publiziert.