Leberkrebs: KI steigert Überlebensrate von 20 auf 90 %
Eine im American Journal of Pathology veröffentlichte bahnbrechende Studie beschreibt ein neues maschinelles Lernmodell, das die Genauigkeit bei der Frühdiagnose von hepatozellulärem Karzinom und der Überwachung der Auswirkungen der Behandlung verbessern könnte.
Eine Frühdiagnose des hepatozellulären Karzinoms (HCC) – einer der tödlichsten bösartigen Erkrankungen – ist entscheidend für die Verbesserung der Überlebenschancen der Patienten. In einer bahnbrechenden Studie berichten Forscher über die Entwicklung eines maschinellen Lernmodells für Serumfusionsgene. Dieses wichtige Screening-Tool könnte die Fünfjahresüberlebensrate von Patienten mit HCC von 20 % auf 90 % steigern, da es die Genauigkeit bei der Frühdiagnose von HCC und der Überwachung der Auswirkungen der Behandlung verbessert. Die Studie erscheint im The American Journal of Pathology , herausgegeben von Elsevier.
HCC ist die häufigste Form von Leberkrebs und macht etwa 90 % aller Fälle aus. Der derzeit gängigste Screeningtest für den HCC-Biomarker, Serum-Alpha-Fetalprotein, ist nicht immer genau, und bis zu 60 % der Leberkrebserkrankungen werden erst in fortgeschrittenen Stadien diagnostiziert, was zu einer Überlebensrate von nur etwa 20 % führt.
Der leitende Forscher Jian-Hua Luo, MD, PhD, Department of Pathology, High Throughput Genome Center und Pittsburgh Liver Research Center, University of Pittsburgh School of Medicine, erklärte: „Eine frühzeitige Diagnose von Leberkrebs hilft, Leben zu retten. Die meisten Leberkrebserkrankungen entwickeln sich jedoch schleichend und ohne viele Symptome. Dies macht eine frühzeitige Diagnose schwierig. Was wir brauchen, ist ein kostengünstiger, genauer und bequemer Test, um Leberkrebs im Frühstadium bei menschlichen Populationen zu erkennen. Wir wollten untersuchen, ob ein maschineller Lernansatz verwendet werden könnte, um die Genauigkeit des Screenings auf HCC basierend auf dem Status der Fusionsgene zu erhöhen.“
Auf der Suche nach einem effektiveren und effizienteren Diagnoseinstrument zur Vorhersage von Nicht-HCC- und HCC-Fällen analysierten die Forscher mithilfe der quantitativen Reverse-Transkription-PCR (RT-PCR) in Echtzeit eine Gruppe von neun Fusionstranskripten in Serumproben von 61 Patienten mit HCC und 75 Patienten mit Nicht-HCC-Erkrankungen. Sieben der neun Fusionen wurden häufig bei HCC-Patienten nachgewiesen. Die Forscher erstellten maschinelle Lernmodelle basierend auf Serumfusionsgenspiegeln, um HCC in der Trainingskohorte vorherzusagen, und verwendeten dabei den Leave-One-Out-Kreuzvalidierungsansatz.
Ein logistisches Regressionsmodell mit vier Fusionsgenen ergab eine Genauigkeit von 83 % bis 91 % bei der Vorhersage des Auftretens von HCC. In Kombination mit Serum-Alpha-Fetalprotein ergab das logistische Regressionsmodell mit zwei Fusionsgenen plus Alpha-Fetalprotein eine Genauigkeit von 95 % für alle Kohorten. Darüber hinaus lieferte die Quantifizierung der Fusionsgentranskripte in den Serumproben genaue beurteilte die Auswirkungen der Behandlung und konnte das Wiederauftreten des Krebses überwachen.
Dr. Luo kommentierte:„Das maschinelle Lernmodell für Fusionsgene verbessert die Früherkennungsrate von HCC deutlich im Vergleich zum Serum-Alpha-Fetalprotein allein. Es kann als wichtiges Instrument beim Screening auf HCC und bei der Überwachung der Auswirkungen einer HCC-Behandlung dienen. Mit diesem Test werden Patienten gefunden, die wahrscheinlich HCC haben.“
Dr. Luo schloss: „Bei einer frühen Behandlung von Leberkrebs liegt die Fünfjahresüberlebensrate bei 90 %, bei einer späten Behandlung nur bei 20 %. Die Alternative zu diesem Test besteht darin, jede Person mit einem gewissen Risiko für Leberkrebs alle sechs Monate einer Bildanalyse zu unterziehen, was sehr kostspielig und ineffektiv ist. Darüber hinaus hilft dieser Test bei unklaren Bildgebungsergebnissen, bösartige von gutartigen Läsionen zu unterscheiden.“