Deep Learning Pathomics-Plattform könnte Immuntherapie-Ansprechen bei Lungenkrebs vorhersagen
Eine Deep-Learning-Pathomics-Plattform namens Path-IO sagte Ergebnisse und Immuntherapie-Ansprechen bei NSCLC-Patienten anhand routinemäßiger histologischer Präparate genau voraus und übertraf damit den PD-L1-Biomarker. Das Modell wurde über mehrere Kohorten hinweg validiert und verbesserte sich weiter, wenn es mit Radiomics und klinischen Daten kombiniert wurde. Bei erfolgreicher Validierung könnte es problemlos in klinische Arbeitsabläufe integriert werden.
Eine Deep-Learning-basierte Pathomics-Plattform sagte Ergebnisse und Ansprechen auf Immuntherapie bei Patienten mit metastasiertem nicht-kleinzelligem Lungenkrebs (NSCLC) genau voraus, so eine auf der Jahrestagung 2026 der American Association for Cancer Research (AACR) vorgestellte Studie. Das biologisch geleitete KI-Modell, genannt Pathology-driven Immunotherapy Optimization (Path-IO), wurde auf routinemäßige histologische Präparate angewendet und übertraf PD-L1, den derzeitigen Standard-Biomarker.
Die Forscher entwickelten Path-IO als ein Deep-Learning-Überlebensvorhersagemodell, das Bilder von histologischen Schnitten analysiert und spezifische Merkmale oder Nischen in der Tumormikroumgebung identifiziert. Durch die Kombination dieser Gewebemuster mit Bildgebungs- und klinischen Daten schätzt das Modell ab, ob ein Patient ein höheres oder niedrigeres Risiko für schlechte Ergebnisse unter Immuntherapie hat. Die Studie umfasste 797 NSCLC-Patienten unter Immuncheckpoint-Inhibitor-Behandlung vom UT MD Anderson Cancer Center, mit externer Validierung an 280 weiteren Patienten von der Mayo Clinic, Gustave Roussy und der Phase-III-Studie Lung-MAP S1400I. In der UT-MD-Anderson-Kohorte hatten Patienten in der Hochrisikogruppe ein mehr als doppelt so hohes Risiko für Tod oder Krankheitsprogression im Vergleich zu denen in der Niedrigrisikogruppe, und eine vergleichbare Stratifizierung wurde in den Validierungsdatensätzen beobachtet.
Die Leistung wurde mit dem Konkordanzindex (C-Index) gemessen. Path-IO erreichte C-Indizes von 0,69 für das Gesamtüberleben (OS) und 0,65 für das progressionsfreie Überleben (PFS) in der Entdeckungskohorte sowie 0,63 für OS und 0,58 für PFS in der Testkohorte. Im Gegensatz dazu hatte PD-L1 C-Indizes von 0,58 (OS) und 0,57 (PFS) in der Entdeckungskohorte, die in der Testkohorte auf 0,50 bzw. 0,51 abfielen. Die Kombination pathologiebasierter Vorhersagen mit Radiomics und klinischen Daten verbesserte den C-Index weiter, von 0,58 auf 0,70 für PFS und von 0,63 auf 0,75 für OS.
Im Gegensatz zu früheren Pathomics-Studien ist Path-IO ein biologisch geleiteter Ansatz, der seine Vorhersagen auf Gewebestrukturen stützt, die Klinikern vertraut sind, und damit widerspiegelt, wie Pathologen Gewebe natürlicherweise interpretieren. Die Vorhersagen des Modells korrelierten mit Immunprofilen und Multiplex-Bildgebungsdaten, da höhere Risikobewertungen Phänotypen entsprachen, die weniger wahrscheinlich auf Immuntherapie ansprachen. Dies liefert biologische Belege dafür, warum bestimmte Patienten bessere oder schlechtere Ergebnisse haben können. Da der Ansatz routinemäßige histologische Präparate verwendet, könnte er bei Validierung als prädiktives Werkzeug ohne erhebliche Kosten in bestehende klinische Arbeitsabläufe integriert werden. Die Studie stellt den ersten Deep-Learning-basierten Pathomics-Biomarker dar, der rigoros über internationale reale Kohorten und eine randomisierte Phase-III-Studie validiert wurde.