Immunvermittelte Pneumonitis: KI-Modell identifiziert mithilfe von Routinebildgebung Risikopatienten

Eine Pneumonitis, die im Zusammenhang mit einer Immuntherapie auftritt, kommt bei etwa zehn Prozent aller Lungenkrebspatienten vor, die eine solche Behandlung erhalten. Forschende berichten nun über ein auf Künstlicher Intelligenz basierendes Modell, das herkömmliche Ansätze bei der Vorhersage von Patienten mit erhöhtem Risiko übertrifft.

Das Modell zeigte auch bei externen Datensätzen mit unterschiedlichen Patientenpopulationen, Computertomograpie(CT)-Scannern und Bildgebungsprotokollen eine konsistente Leistung, erklären die Autoren einer neuen Studie. Das Tool könnte ihrer Ansicht nach helfen Patienten zu identifizieren, die von einer engmaschigeren Überwachung oder Intervention profitieren könnten, bevor sich schwerwiegende Nebenwirkungen entwickeln.

Das KI-Modell wurde von Wissenschaftlern des MD Anderson Cancer Center der University of Texas (USA) entwickelt. Es soll, so die Entwickler, einen Weg zu personalisierteren Überwachungs- und Präventionsstrategien eröffnen. Die Ergebnisse der Studie deuten darauf hin, dass sich mit Standard-Bildgebungsverfahren Hinweise auf die Anfälligkeit eines Patienten für Pneumonitis finden lassen. Durch die Analyse routinemäßiger Thorax-CT-Scans, die vor Behandlungsbeginn erstellt wurden, identifizierten die Forschenden Muser, die mit einem zukünftigen Risiko verbunden sind. Diese Methode übertraf bisherige Ansätze, die auf subjektiver Bildanalyse und klinischen Risikofaktoren beruhen und die zugrundeliegende Vulnerabilität nicht vollständig erfassen.

Die im „Journal for ImmunoTherapy of Cancer“ veröffentlichte Studie wurde von Dr. Jia Wu, außerordentlicher Professor für Bildgebungsphysik und Thorax-/Kopf-Hals-Onkologie sowie assoziiertes Mitglied des Instituts für Datenwissenschaft in der Onkologie des UT MD Anderson Cancer Center, geleitet. Er erklärt: „Die Pneumonitis zählt nach wie vor zu den größten Herausforderungen bei der Immuntherapie, da sie sich vor dem Auftreten von Symptomen nur schwer vorhersagen lässt. Unser Modell konnte anhand von Informationen, die bereits in routinemäßigen CT-Scans vorhanden sind, Signale identifizieren, die mit einem zukünftigen Risiko verbunden sind.“

Wie identifizierte das KI-Modell Patienten mit erhöhtem Risiko?

Das Team entwickelte mit CIPHER (Checkpoint-Inhibitor Pneumonitis Hazard EstimatoR) ein KI-basiertes Modell, das mit mehr als 590.000 CT-Bildschnitten von 2500 Lungenkrebspatienten trainiert wurde. Anstatt direkt von bestätigten Pneumonitis-Fällen zu lernen, erkannte das Modell zunächst Muster im Lungengewebe und evaluierte anschließend, ob sich anhand dieser Muster Patienten identifizieren lassen, die nach einer Immuntherapie eine Pneumonitis entwickeln.

Die Forscher testeten CIPHER an CT-Scans, die vor dem Beginn einer Behandlung angefertigt wurden. Sie stammten von 347 Patienten mit Nichtkleinzelligem Lungenkrebs (NSCLC), die am UT MD Anderson Cancer Center behandelt wurden. Anschließend validierten die Wissenschaftler den Ansatz mit einem unabhängigen externen Datensatz. Das Modell erreichte in beiden Kohorten eine Fläche unter der Kurve (AUC) von etwa 0,83. Daran lässt sich ablesen, dass seine Vorhersagekraft herkömmliche Modelle mit klinischen Faktoren und Radiomics-Ansätze übertraf.

Das Modell zeigte trotz Unterschieden in den Patientenpopulationen, CT-Scannern und Bildgebungsprotokollen eine hohe Leistungsfähigkeit. Patienten mit hohem Risiko entwickelten tendenziell früher nach Beginn der Immuntherapie eine Pneumonitis. Dies deutet darauf hin, dass das Modell möglicherweise aussagekräftige Anzeichen einer erhöhten Lungenanfälligkeit erkennt, anstatt lediglich zukünftige Fälle zu identifizieren. Die Vorhersagen des Modells blieben auch nach Berücksichtigung von Faktoren wie Alter, Raucheranamnese, Tumorhistologie und vorangegangener Strahlenexposition im Thoraxbereich signifikant.

„Besonders interessant an diesem Ansatz ist, dass er nicht zur Erkennung einer Pneumonitis selbst entwickelt wurde“, erläutert Wu. „Stattdessen erkannte das Modell Muster im Lungengewebe und identifizierte subtile Anomalien, die mit einem zukünftigen Risiko verbunden sind. Dies legt nahe, dass die routinemäßige Bildgebung deutlich mehr Informationen über die Toxizität der Behandlung liefern könnte, als bisher angenommen.“

Wie geht es mit diesem Ansatz weiter?

Die Ergebnisse belegen eine hohe Vorhersagekraft des Modells. Jetzt müssen weitere prospektive Studien mit größeren und diverseren Patientenpopulationen durchgeführt werden, um zu klären, ob sich dieser Ansatz in klinische Arbeitsabläufe integrieren lässt. Die Forscher planen außerdem zu untersuchen, ob das Modell bei anderen Krebsarten, die mit Immuntherapie behandelt werden, ähnliche Ergebnisse liefert.

In zukünftigen Studien könnte untersucht werden, ob die Kombination von Bildgebungsdaten mit anderen Biomarkern die Risikobewertung weiter verbessern kann. (ac/BIERMANN)