Künstliche Intelligenz könnte Krebsdiagnostik revolutionieren
ZÜRICH - Gewebeschnitte färben und unter dem Mikroskop analysieren: An der Methodik der Pathologie hat sich seit 100 Jahren wenig geändert. Künstliche Intelligenz könnte dieses Feld revolutionieren und Medizinern helfen, die individuell beste Therapie zu wählen, wie eine Studie zeigt.
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 eine Studie zur Verwendung künstlicher Intelligenz bei der Dickdarmkrebs-Diagnostik durchgeführt hat.
Exaktere Diagnostik oft zu aufwendig
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 1000 Franken.
"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.
Mit ihrer Studie, die sie als noch unbegutachtetes Online-Manuskript ("Preprint") veröffentlicht haben, zeigen 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.
Vielversprechende Trefferquote
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, ist Kölzer überzeugt.
Notiz:
Fachartikellink Preprint auf BioRxiv: https://doi.org/10.1101/645143
Quelle: SDA / Keystone - 04.07.2019, Copyrights Bilder: Adobe Stock