Künstliche Intelligenz-Technik zur Therapieempfehlung bei Brustkrebs

Original Titel:
Personalized chemotherapy selection for patients with triple-negative breast cancer using deep learning

DGP – Das Deep Learning-Modell SNB identifizierte in einer Bevölkerungs-weiten retrospektiven Kohortenstudie die Patientinnen mit triple-negativem Brustkrebs, die wahrscheinlich von einer adjuvanten Chemotherapie profitieren würden. Relevant waren hierbei das Alter der Frauen, die Tumorgröße und die Zahl befallener Lymphknoten. Weitere Studien sollen das Modell nun im Klinikalltag überprüfen.

Bei Personen mit triple-negativem Brustkrebs besteht bislang Unklarheit, in welchen Fällen eine adjuvante Chemotherapie, also zusätzlich zur Operation, sinnvoll ist. Methoden, die künstlicher Intelligenz zugrundeliegen, wie etwa Deep Learning, könnten bei dieser Entscheidungsfindung behilflich sein.

Triple-negativer Brustkrebs: Deep-Learning-Modelle zur Therapiewahl-Unterstützung?

Wissenschaftler analysierten nun mit Hilfe eines Deep Learning-Modells grundlegende Charakteristika und die Behandlungswirksamkeit, um eine personalisierte Chemotherapie-Entscheidung treffen zu können.Insgesamt wurden 5 verschiedene Modelle trainiert: SNB, BITES, Cox Mixtures with Heterogeneous Effects (CMHE), DeepSurv und CPH. Die Modelle erstellten eine Vorhersage zum Überleben der Patienten basierend auf der Vielzahl erhobener Parameter. Anschließend wurden tatsächliche Therapieentscheidungen und Behandlungsergebnisse mit den Vorhersagen verglichen.

Diese Bevölkerungs-weite retrospektive Kohortenstudie basierte auf einer Datenbank (SEER), die Informationen zu Krebspatienten und ihrer Behandlung in 18 Regionen der USA erfasst. Die Studie umfasste Frauen, die ihre Brustkrebsdiagnose zwischen 2010 und 2016 erhielten und operiert wurden. Grundlegende Informationen, die von den Deep Learning-Modellen genutzt wurden, waren beispielsweise Alter, Einkommen oder Beziehungsstatus, Tumoreigenschaften wie Größe, histologischem Grad und Stadium sowie Behandlungsdetails (Art der Operation und Chemotherapie).

Die Wissenschaftler verglichen Patientinnen, die eine Behandlung erhalten hatten, die den Empfehlungen des jeweiligen Modells entsprach, mit Patienten, die eine nicht dem Modell entsprechende Behandlung erhalten hatten. Vorrangig analysierten sie dabei das Gesamtüberleben der Patientinnen je nach Modellempfehlung.

Bevölkerungs-weite retrospektive Kohortenstudie: 10 070 Frauen, 5 Deep-Learning-Modelle

Insgesamt umfasste die Studie 10 070 Frauen mit triple-negativem Brustkrebs. Patientinnen, deren Behandlung der Empfehlung des SNB-Modells entsprach, hatten einen Überlebensvorteil (Hazard Ratio, HR: 0,53; 95 % Konfidenzintervall, KI: 0,32 – 8,60; Differenz durchschnittlicher Überlebenszeit: 5,54; 95 % KI: 1,36 – 8,61). Dieser Vorteil übertraf die übrigen Modelle sowie die Empfehlungen der US-Leitlinien (National Comprehensive Cancer Network guidelines). Gleichzeitig konnte kein Überlebensvorteil mit Chemotherapie für Patientinnen gesehen werden, für die diese Behandlung nicht durch das Modell empfohlen wurde.

Das Modell SNB basierte seine Entscheidung auf 3 zentralen Aspekten, ermittelten die Wissenschaftler: Demnach waren ältere Patientinnen mit größeren Tumoren und mehr positiven Lymphknoten die optimalen Kandidaten für eine Chemotherapie. Patientinnen mit Tumoren im oberen, inneren Quadranten wurde hingegen keine Chemotherapie empfohlen.

Höheres Alter, größere Tumore, mehr betroffene Lymphknoten: Überlebensvorteil bei Therapiewahl mit Deep-Learning-Modell

Die Studie zeigt somit, dass das Deep Learning-Modell SNB Patientinnen mit triple-negativem Brustkrebs identifizieren kann, die wahrscheinlich von einer adjuvanten Chemotherapie profitieren würden. Relevant waren hierbei das Alter der Frauen, die Tumorgröße und die Zahl befallener Lymphknoten. Weitere Studien sollen das Modell nun im Klinikalltag überprüfen.

^© Alle Rechte: DeutschesGesundheitsPortal / HealthCom