KI-Tool unterscheidet genau zwischen Glioblastom und primärem Lymphom des Zentralnervensystems

Ein von der Harvard Medical School geleitetes Forschungsteam hat ein KI-Tool entwickelt, das zwei ähnliche Krebsarten im Gehirn zuverlässig unterscheiden kann, die jedoch unterschiedliche Ursprünge, Verhaltensweisen und Behandlungen aufweisen.

Das Tool namens PICTURE (Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations) unterschied mit nahezu perfekter Genauigkeit zwischen Glioblastomen – dem häufigsten und aggressivsten Hirntumor – und primären Lymphomen des Zentralnervensystems (PCNSL), einem selteneren Krebs, der oft mit Glioblastomen verwechselt wird. Während beide im Gehirn auftreten können, entsteht das Glioblastom aus Gehirnzellen, während sich das PCNSL aus Immunzellen entwickelt. Ihre Ähnlichkeiten unter dem Mikroskop führen oft zu Fehldiagnosen mit schwerwiegenden Folgen für die Behandlung.

Die teilweise von den National Institutes of Health unterstützte Arbeit wird am 29. September in beschrieben Naturkommunikation. Das KI-Modell sei für andere Wissenschaftler öffentlich verfügbar, damit es es nutzen und darauf aufbauen könne, sagte das Team.

Die korrekte Identifizierung ähnlicher Tumoren im Gehirn während einer Operation sei eine der größten diagnostischen Herausforderungen in der Neuroonkologie, sagten die Forscher. Eine genaue Diagnose, während sich der Patient noch im Operationssaal befindet, kann dazu beitragen, wichtige Behandlungsentscheidungen zu beschleunigen, z. B. ob das Krebsgewebe operiert und entfernt werden soll – wie dies bei einem Glioblastom der Fall sein sollte – oder ob es zurückgelassen werden soll und sich stattdessen für Bestrahlung und Chemotherapie, die bevorzugte Therapie bei PCNSL, entscheidet. Eine ungenaue oder verspätete Diagnose von Krebserkrankungen im Gehirn kann zu unnötigen Operationen und Verzögerungen bei der richtigen Behandlung führen.

Was das Tool besonders wertvoll macht, ist seine Fähigkeit, während der Operation eingesetzt zu werden und Chirurgen und Pathologen in Echtzeit wichtige Erkenntnisse zu liefern.

Unser Modell kann Fehler bei der Diagnose minimieren, indem es zwischen Tumoren mit überlappenden Merkmalen unterscheidet, und Klinikern dabei helfen, den besten Behandlungsverlauf auf der Grundlage der wahren Identität eines Tumors zu bestimmen.“

Kun-Hsing Yu, leitender Autor der Studie, außerordentlicher Professor für biomedizinische Informatik am Blavatnik-Institut der HMS und HMS-Assistenzprofessor für Pathologie am Brigham and Women’s Hospital

Bei einer Hirntumoroperation entfernen Chirurgen typischerweise Tumorgewebe zur schnellen Beurteilung unter dem Mikroskop. Die Auswertung erfolgt durch Einfrieren der Probe in flüssigem Stickstoff, was die Zellmerkmale etwas verfälschen kann, aber eine schnelle Beurteilung in Echtzeit ermöglicht. Der Vorgang dauert etwa 15 Minuten. Basierend auf den Ergebnissen dieser Erstuntersuchung entscheiden Chirurgen, ob der Tumor entfernt oder belassen werden soll, und entscheiden sich für eine Bestrahlung und Chemotherapie. In den nächsten Tagen führen Pathologen dann eine detailliertere und zuverlässigere Auswertung der Tumorprobe durch. In etwa einem von 20 Fällen ändert sich die Erstdiagnose eines Tumors beim zweiten Lesen, sagte Yu. Genau hier könnte das neue KI-System eine wertvolle Rolle spielen: Es beseitigt Unsicherheiten und verringert das Fehlerrisiko im Betrieb bei kritischen Entscheidungen.

„Unser Modell zeigt eine zuverlässige Leistung bei Gefrierschnitten während Gehirnoperationen und in Szenarien mit erheblichen diagnostischen Meinungsverschiedenheiten unter menschlichen Experten“, sagte er.

Das Tool wurde in fünf Krankenhäusern getestet und übertraf sowohl Humanpathologen als auch andere KI-Modelle. Ein einzigartiger Aspekt des neuen Modells ist ein „Unsicherheitsdetektor“, der es ihm nicht nur ermöglicht, mit hoher Genauigkeit zwischen Krebsarten zu unterscheiden, sondern auch zu signalisieren, wenn es sich in seiner Beurteilung nicht sicher ist – eine wichtige Funktion für medizinische Szenarien mit hohem Risiko.

Die neue Studie baut auf früheren Arbeiten von Yu zur Entwicklung eines KI-Systems auf, das die molekularen Merkmale verschiedener Arten von Gliomen zuverlässig entschlüsseln kann.

Wie BILD Doppelgänger mit Hirntumor entdeckt

Jedes Jahr erkranken weltweit mehr als 300.000 Menschen an Tumoren im Gehirn oder im Zentralnervensystem, mehr als 200.000 Menschen sterben dadurch. Die Weltgesundheitsorganisation erkennt etwa 109 verschiedene Arten von Hirn- und Rückenmarkstumoren, von denen jeder unter dem Mikroskop oder auf genetischer Ebene seine eigenen einzigartigen Merkmale aufweist.

Die genaue Unterscheidung von PCNSL und Glioblastom während der Operation könnte es Chirurgen ermöglichen, Hirngewebe zu schonen, anstatt es zu entfernen. Patienten mit PCNSL werden dann zur Bestrahlung und Chemotherapie überwiesen, den bevorzugten Behandlungen für diese Art von Tumor. Im Gegensatz dazu erfordert ein Glioblastom die chirurgische Entfernung möglichst vieler krebsartiger Hirngewebe.

Eine nahezu BILD-perfekte Leistung

Das Modell, das Yu zusammen mit den Erstautoren der Studie, Junhan Zhao und Shih-Yen Lin, entwickelte, wurde anhand von 2.141 weltweit gesammelten Objektträgern zur Hirnpathologie ausgewertet, darunter seltene Fälle sowohl bei Gefrierschnitten als auch bei formalinfixierten Proben. Es wurde entwickelt, um kritische Krebsmerkmale wie Tumorzelldichte, Zellform und das Vorhandensein von Nekrose zu erkennen.

Die Wissenschaftler testeten die Leistung von PICTURE in fünf internationalen Krankenhäusern in vier Ländern. In jedem Fall übertraf das KI-Modell bestehende KI-Tools und die herkömmliche Gefrierschnittbeurteilung, den Standard für die Echtzeit-Tumortypisierung.

In Tests unterschied das PICTURE-Modell Glioblastome in mehr als 98 Prozent der Fälle korrekt von PCNSL – ein Genauigkeitsgrad, der auch bei Tests an fünf unabhängigen internationalen Patientengruppen Bestand hatte. Darüber hinaus identifizierte PICTURE Proben von 67 ZNS-Krebsarten, bei denen es sich weder um Gliome noch um Lymphome handelte.

Das Modell konnte Tumore erkennen, die es während seines Trainings nicht gesehen hatte, und als es dies tat, hisste es eine rote Fahne zur menschlichen Überprüfung. Mit anderen Worten, das Tool wusste, wann es es nicht wusste, sagte Yu, und dies verhinderte, dass das System unklare Fälle in bekannte Kategorien einteilte. Diese Funktion mache das Modell einzigartig unter anderen KI-Systemen, sagten die Forscher. Im Vergleich dazu können andere KI-Tools binär, entweder oder, zwischen Krankheit A und Krankheit B unterscheiden. Dies sei besonders problematisch für die Pathologie des Gehirns, betonte Yu, da es mehr als 100 verschiedene Subtypen von Hirntumoren gebe und viele davon relativ selten seien.

PICTURE übertraf menschliche Pathologen bei schwer zu unterscheidenden Tumoren im Gehirn. In Tests zeigten menschliche Spezialisten erhebliche Meinungsverschiedenheiten bei schwierigen Diagnosen, wobei einige Tumorarten in 38 Prozent der Fälle falsch diagnostiziert wurden. PICTURE hat alle diese Fälle korrekt identifiziert und bietet Unterstützung, wenn die Expertenmeinung unterschiedlich ist.

PICTURE in die reale Welt bringen

Der Einsatz des Tools könnte eine großartige Gelegenheit für die Zusammenarbeit zwischen Mensch und KI sein, sagten die Forscher. Sie stellen sich vor, das System in allen Operationssälen und Pathologieabteilungen als ersten Filter zu implementieren, um Glioblastome von PCNSL zu unterscheiden und über Behandlungsanrufe im OP zu informieren.

Die Verwendung des Modells könnte auch den Zugang zur Neuropathologie demokratisieren, einem hochspezialisierten Fachgebiet mit einem Mangel an Spezialisten und einer ungleichmäßigen Verteilung der Experten im Land und auf der Welt. Darüber hinaus kann das Tool auch als Lehrmittel zur Schulung der nächsten Generation von Pathologen verwendet werden, um gleichartige Läsionen im Gehirn zu erkennen, bei denen kritische Unterschiede durch ein ähnliches Erscheinungsbild verdeckt werden.

Die Forscher stellten fest, dass die meisten Tumorproben von weißen Patienten stammten, sodass weitere Untersuchungen erforderlich sind, um die Genauigkeit des Modells für verschiedene Populationen zu bestätigen. Und während sich das Tool auf Glioblastome und PCNSL konzentrierte, könnten zukünftige Arbeiten es auf andere Krebsarten ausweiten und es mit genetischen und molekularen Daten kombinieren, um tiefere Erkenntnisse zu gewinnen.

Quellen: