Neues KI-Modell prognostiziert TP53-Mutationen bei 32 Krebsarten; EGFR-Modelle zeigen Unterschiede je nach Herkunft
Ein neues KI-Modell prognostiziert TP53-Mutationen bei 32 Krebsarten aus Whole-Slide-Images. EGFR-Vorhersagemodelle zeigen eine unterschiedliche Leistung je nach genetischer Abstammung der Patienten. Eine Übersichtsarbeit zur KI in der Brustpathologie findet verbesserte Genauigkeit, nennt aber auch Umsetzungsbarrieren.
Forschende haben ein neuartiges KI-Modell entwickelt, das ein routinemäßiges histopathologisches Whole-Slide-Image analysieren und gleichzeitig den Krebssubtyp, spezifische genetische Mutationen und Überlebensraten bei 32 verschiedenen soliden Krebsarten vorhersagen kann. Eine separate Studie zur Bewertung zweier Open-Source-KI-Modelle für die EGFR-Vorhersage ergab, dass die Leistung der Modelle mit der genetischen Abstammung der Patienten variiert, wobei die Genauigkeit bei asiatischen Patienten abnimmt.
Das KI-basierte Vision-Transformer-Modell wurde mit einem Datensatz trainiert, der mehr als 11.000 primäre Tumorerkrankungen aus dem Pan-Cancer-Atlas umfasste, mit entsprechenden somatischen Mutations-, RNA-Sequenzierungs- und klinischen Ergebnisdaten. Es erreichte einen starken prädiktiven Genauigkeitswert (AUROC von 0,766) für die Erkennung von TP53-Mutationen bei 32 soliden Tumortypen in einem unabhängigen Validierungsset von 1.729 Objektträgern. Das Modell zeigte auch die Fähigkeit, TP53-RNA-Expressionsniveaus und Tumortaxonomie direkt aus Whole-Slide-Images abzuleiten. Da Whole-Slide-Images extrem groß und komplex sind, setzten die Forschenden eine schwach überwachte Lernstrategie ein, die es dem Modell ermöglicht, aus Objektträger-Etiketten zu lernen, ohne dass eine erschöpfende Pixel- oder Regionenannotation erforderlich ist. Die Ergebnisse der in The American Journal of Pathology veröffentlichten Studie (Elsevier) unterstreichen das Potenzial der computerunterstützten Pathologie, die routinemäßige Diagnostik mit der molekularen Onkologie zu verbinden.
Der Ko-Leiter der Studie vom Menzies Institute for Medical Research und der School of Medicine der University of Tasmania erklärte: „Eine standardmäßige molekulare Profilierung auf TP53-Mutationen ist in unterversorgten oder abgelegenen klinischen Umgebungen oft kostspielig und nicht zugänglich. Wir haben ein einzelnes Modell entwickelt, das gleichzeitig sieben Ergebnisse aus dem gesamten histopathologischen Bild generieren kann, darunter den TP53-Mutationsstatus, die TP53-RNA-Expression, den Tumortyp und überlebensbezogene Ergebnisse auf Objektträgerebene.“ Ein weiterer Ko-Leiter bemerkte, dass der Ansatz helfen könnte, Patienten zu identifizieren, die von einer bestätigenden molekularen Testung profitieren könnten, die Triage in Umgebungen mit begrenzten genomischen Testmöglichkeiten unterstützen und Klinikern zusätzliche Entscheidungshilfen bieten könnte, betonte jedoch, dass er ergänzend zur molekularen Testung und nicht als Ersatz gedacht sei.
In einer Studie an Patienten mit Lungenadenokarzinom (LUAD) validierten Forschende die Reproduzierbarkeit zweier Open-Source-KI-Modelle, EAGLE und DeepGEM, für die EGFR-Vorhersage anhand von HE-gefärbten Whole-Slide-Images. Die reproduzierten AUCs auf dem TCGA-LUAD-Datensatz (n = 463) stimmten mit den veröffentlichten Ergebnissen überein: 0,89 (95%-KI, 0,85–0,93) für EAGLE und 0,88 (95%-KI, 0,82–0,93) für DeepGEM. Insgesamt wurden 2.098 Patienten mit LUAD eingeschlossen. In der Kohorte des Dana-Farber Cancer Institute (DFCI) (n = 1.759) zeigte EAGLE eine AUC von 0,83 (95%-KI, 0,81–0,85) gegenüber 0,68 (95%-KI, 0,65–0,70) für DeepGEM. In der EU-basierten TNM-I-Kohorte (n = 339) übertraf EAGLE DeepGEM erneut mit einer AUC von 0,81 (95%-KI, 0,74–0,88) gegenüber 0,75 (95%-KI, 0,68–0,83).
EGFR-Mutationen waren bei asiatischen Patienten am häufigsten (60 [63 %]), gefolgt von afrikanischen Patienten (17 [31 %]) in der DFCI-Kohorte. EAGLE behielt eine robuste Leistung (AUC >0,80) über die meisten Abstammungsgruppen hinweg, aber seine AUC fiel bei asiatischen Patienten auf 0,68 (95%-KI, 0,55–0,78). Die Studie wies auch darauf hin, dass in einer aktuellen globalen Umfrage in 90 Ländern mehr als 40 % der Kliniker angaben, Patienten zu behandeln, bevor Biomarkerergebnisse vorlagen, wobei Kosten, Bearbeitungszeit, Probenqualität und Zugang als Haupthindernisse genannt wurden.
Eine separate Übersichtsarbeit zu KI in der Brustpathologie ergab, dass künstliche Intelligenz die diagnostische Brustpathologie verändert, indem sie die diagnostische Genauigkeit, Effizienz und Reproduzierbarkeit verbessert. Die Übersicht dokumentiert klinische Anwendungen wie den Nachweis von Lymphknotenmetastasen, die Nottingham-Graduierung, die Klassifikation von gutartig vs. bösartig, die automatisierte Biomarker-Quantifizierung, die Prognosevorhersage, die Risikostratifizierung und die Analyse der Tumormikroumgebung. Häufige Hindernisse für die Umsetzung in der Praxis sind Datenqualität und -verzerrung, regulatorische Erwägungen, Kosten und Infrastruktur sowie die Herausforderung, die Werkzeuge in bestehende Laborabläufe zu integrieren.