Künstliche Intelligenz könnte Krebs­diagnostik revolutionieren

Künstliche Intelligenz könnte die patho­logische Diagnostik revolutio­nieren und Medi­zinern helfen, die indi­viduell beste Therapie für ihre Patienten zu wählen. Das zeigt eine neue Studie zur Ver­wendung künstlicher Intelli­genz bei der Dick­darmkrebs-Diagnostik.

Mediziner entscheiden meist anhand des Aus­sehens von Gewebe­schnitten, welche Strategie sie zur Behand­lung eines Krebs­patienten verfolgen. Wie groß ist der Tumor? Wie weit reicht er ins Gewebe? So einige der Merkmale, die Patho­logen bewerten, wenn sie speziell gefärbte Tumor­gewebe­proben unter dem Mikroskop analysieren. "Das Problem ist, dass diese Methode nicht immer gut mit der Prognose des Patienten korreliert", erklärte Viktor Kölzer vom Universi­täts­spital Zürich, der mit Kollegen eines inter­natio­nalen Konsor­tiums die Studie durchführte.

Kosten limitieren Einsatz von RNA-Sequenzierung

Eine Untersuchung zur Bestimmung des bio­logischen Ver­haltens eines Tumors ist die soge­nannte RNA-Sequen­zierung, die eine Art Finger­abdruck über die Gen­aktivität im Tumor liefert und hilft, ihn exakt zu klassi­fizieren. Dafür braucht es aller­dings zusätz­liches Gewebe­material, die ent­sprechende Infra­struktur und pro Probe etwa 1.000 Franken - also rund 900 Euro. "Der Einsatz dieser Methode wird durch den Aufwand und die Kosten stark limitiert", so Kölzer im Gespräch mit der Nachrichten­agentur Keystone-SDA. Obwohl das RNA-Profil bei vielen Patienten eine exaktere Klassi­fizierung des Tumors ermöglicht und damit die Wahl der indi­viduell besten Therapie unter­stützen könnte.

Digitalisierungspotenzial der Pathologie

Mit ihrer Studie, die sie als noch unbegut­achtetes Online-Manuskript ("Preprint") ver­öffent­licht haben, zeigten Kölzer und Kollegen das Potenzial auf, das in der Digi­tali­sierung der Patho­logie steckt. Sie trainierten einen lernen­den Algo­rithmus mit einem Daten­satz aus Gewebe­schnitt-Bildern von Dick­darm­tumoren, den dazu­gehörigen RNA-Sequen­zierungs­daten und Daten über die Krank­heits­verläufe. Anschließend ließen sie den Algo­rithmus einen Satz aus Gewebe­bildern analy­sieren, zu denen RNA-Profil und Krank­heits­verlauf zwar bekannt waren, dem Programm jedoch nicht vorlagen.

Der Algorithmus traf mit seiner Klassi­fizierung in den aller­meisten Fällen ins Schwarze: Bei einer statis­tischen Analyse der Quote, mit der das Programm den Tumor falsch diagnos­tizierte - beispiels­weise ein aggres­sives Geschwür unter­schätzte oder ein relativ harm­loses über­bewertete - schnitt der Test laut Kölzer sogar besser ab als manch anderer etablierter Test. "Vereinfacht ausgedrückt könnte man sagen, dass der Algorithmus einen Tumor anhand des Gewebe­bilds mit einer Wahrschein­lichkeit von knapp 90 Prozent richtig klassifiziert."

Da es sich beim Fachartikel um einen "Preprint" handelt, fehlt bisher noch die Begut­achtung durch unab­hängige Experten. Sollte sich die Methode bewähren, könnten Patienten massiv davon profitieren.

Wenn man mit diesem Ansatz eine exaktere patho­logische Diagnos­tik für alle Patienten zugänglich machen könnte, ließen sich intensive Behand­lungen dort einsetzen, wo sie wirklich nötig sind, und intensive Therapien mit Neben­wirkungen und möglichen Folge­schäden vermeiden, wo sie nicht nötig sind. Dadurch ließen sich auch Behand­lungs­kosten deutlich reduzieren, zeigte sich Kölzer überzeugt.