KI trifft auf Onkologie: Neues Modell personalisiert die Behandlung von Blasenkrebs

Forscher von Weill Cornell Medicine nutzten die Leistungsfähigkeit von KI- und maschinellen Lerntechnologien und entwickelten ein effektiveres Modell zur Vorhersage, wie Patienten mit muskelinvasivem Blasenkrebs auf eine Chemotherapie ansprechen werden. Das Modell nutzt Ganzschnitt-Tumorbilddaten und Genexpressionsanalysen auf eine Weise, die frühere Modelle, die nur einen einzigen Datentyp verwenden, übertrifft. Die Studie, die in npj Digital Medicine veröffentlicht wurde, identifiziert Schlüsselgene und Tumoreigenschaften, die den Behandlungserfolg bestimmen können. Die Fähigkeit, genau vorherzusagen, wie eine Person auf die Standardtherapie für diesen bösartigen Krebs reagieren wird, kann Ärzten dabei helfen, die Behandlung zu personalisieren, und könnte möglicherweise Menschen, die gut auf die Behandlung ansprechen, vor einer Blasenentfernung bewahren.

Besseres Modell, bessere Vorhersagen bei Blasenkrebs

„Diese Arbeit steht für den Geist der Präzisionsmedizin“, sagte Dr. Fei Wang, Professorin für Bevölkerungsgesundheitswissenschaften an der Weill Cornell Medicine und Gründungsdirektorin des Instituts für Künstliche Intelligenz für Digitale Gesundheit, die die Studie mitleitet. „Wir wollen die richtige Behandlung für den richtigen Patienten zur richtigen Zeit ermitteln“, fügte Dr. Bishoy Morris Faltas, der die Studie gemeinsam leitet, hinzu. Er ist Gellert Family-John P. Leonard MD Research Scholar in Hämatologie und medizinischer Onkologie sowie außerordentlicher Professor für Medizin und Zell- und Entwicklungsbiologie an der Weill Cornell Medicine und Onkologe am NewYork-Presbyterian/Weill Cornell Medical Center. Dr. Zilong Bai, wissenschaftlicher Mitarbeiter im Bereich Bevölkerungsgesundheitswissenschaften, und Dr. Mohamed Osman, Postdoktorand im Bereich Medizin, von Weill Cornell Medicine leiteten diese Arbeit gemeinsam.

Um ein besseres Vorhersagemodell zu erstellen, haben sich die beiden leitenden Forscher zusammengetan. Während sich das Labor von Dr. Wang auf Data Mining und modernste maschinelle Lernanalysen konzentriert, ist Dr. Faltas ein Arzt und Wissenschaftler mit Fachkenntnissen in der Biologie des Blasenka

rzinoms. Sie griffen auf Daten des SWOG Cancer Research Network zurück, das multizentrische klinische Studien für Krebserkrankungen bei Erwachsenen konzipiert und durchführt. Konkret integrierten die Forscher Daten aus Bildern präparierter Tumorproben mit Genexpressionsprofilen, die eine Momentaufnahme der „eingeschalteten“ oder „ausgeschalteten“ Gene liefern. Da die Expressionsmuster allein in früheren Studien nicht ausreichten, um die Reaktionen der Patienten vorherzusagen, haben sie sich entschieden, mehr Informationen für ihr Modell heranzuziehen.

Zur Analyse der Bilder verwendeten die Forscher spezielle KI-Methoden, sogenannte Graph-Neural-Networks, die erfassen, wie Krebszellen, Immunzellen und Fibroblasten im Tumor organisiert sind und miteinander interagieren. Sie führten auch eine automatisierte Bildanalyse durch, um diese verschiedenen Zelltypen am Tumorort zu identifizieren. Die Kombination der bildbasierten Eingaben mit den Genexpressionsdaten zum Trainieren und Testen ihres KI-gesteuerten Deep-Learning-Modells führte zu besseren Vorhersagen des klinischen Ansprechens als Modelle, die nur Genexpression oder Bildgebung verwendeten.„Auf einer Skala von 0 bis 1, wobei 1 perfekt ist und 0 bedeutet, dass nichts korrekt ist, liegt unser multimodales Modell nahe bei 0,8, während unimodale Modelle, die sich nur auf eine Datenquelle stützen, etwa 0,6 erreichen können“, sagte Dr. Wang. “Das ist bereits aufregend, aber wir planen, das Modell für weitere Verbesserungen zu optimieren.“

Patienten eine Bewertung geben, die vorhersagt, wie sie auf eine bestimmte Therapie ansprechen

Bei der Suche nach Biomarkern, wie z. B. Genen, die klinische Ergebnisse vorhersagen können, finden die Forscher Hinweise, die Sinn ergeben. Sie konnten sehen, dass einige der Gene, die sie kennen, biologisch relevant sind, nicht nur zufällige Gene. Die Forscher planen, weitere Datentypen in das Modell einzuspeisen, wie z. B. Mutationsanalysen von Tumor-DNA, die in Blut oder Urin nachgewiesen werden kann, oder räumliche Analysen, die eine genauere Identifizierung der in der Blase vorhandenen Zelltypen ermöglichen würden. Das ist eines der wichtigsten Ergebnisse der Studie – dass die Daten zusammenwirken, um die Vorhersage zu verbessern.

Das Modell lieferte auch einige neue Hypothesen, die Dr. Faltas und Dr. Wang weiter untersuchen möchten. So hat beispielsweise das Verhältnis von Tumorzellen zu normalen Gewebezellen, wie Fibroblasten, Auswirkungen auf die Vorhersage des Ansprechens auf eine Chemotherapie. Möglicherweise kann eine große Anzahl von Fibroblasten Tumorzellen vor Chemotherapeutika schützen oder das Wachstum von Krebszellen fördern. Die Forscher wollen daran arbeiten, ihre Ergebnisse in anderen Kohorten klinischer Studien zu validieren. Sie sind offen dafür, ihre Zusammenarbeit auszuweiten, um festzustellen, ob ihr Modell das therapeutische Ansprechen in einer breiteren Patientenpopulation vorhersagen kann. „Der Traum ist, dass Patienten in mein Büro kommen und ich alle ihre Daten in das KI-System integrieren und ihnen eine Bewertung geben kann, die vorhersagt, wie sie auf eine bestimmte Therapie ansprechen würden“, sagte Dr. Faltas. „Das wird passieren. Aber Ärzte wie ich müssen lernen, wie man diese KI-Vorhersagen interpretiert und wissen, dass ich ihnen vertrauen kann – und in der Lage sein, sie meinen Patienten auf eine Weise zu erklären, der sie auch vertrauen können.“