Künstliche Intelligenz könnte die pathologische Diagnostik revolutionieren und Medizinern helfen, die individuell beste Therapie für ihre Patienten zu wählen. Das zeigt eine neue, aber noch unbegutachtete 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.