Machine Learning könnte Menschen mit erhöhtem Risiko für häufige Krebserkrankungen identifizieren

Machine-Learning-Modelle könnten anhand routinemäßig erhobener Gesundheitsdaten dazu beitragen, Menschen mit einem erhöhten Risiko für verschiedene häufige Krebserkrankungen frühzeitig zu identifizieren. Das zeigt eine internationale Studie, die auf dem ESMO Congress 2026 vorgestellt wurde.

Forschende entwickelten rund 500 Machine-Leanring-Modelle, um das Risiko für 20 häufige Krebsarten vorherzusagen. Als Datengrundlage dienten Informationen von 463.620 Teilnehmenden der UK Biobank, die über einen Zeitraum von etwa 18 Jahren beobachtet wurden. In diesem Zeitraum erkrankten 57.055 Teilnehmende an Krebs. Die Modelle analysierten verschiedene Daten, darunter die Krankengeschichte, Lebensstilfaktoren, Ergebnisse von Blutuntersuchungen sowie genetische und metabolomische Daten.

Um die Leistungsfähigkeit der Modelle in unterschiedlichen Bevölkerungsgruppen zu bewerten, testeten die Forschenden diese mit Daten von Teilnehmenden aus Schottland und Wales, 42.036 Personen aus dem US-amerikanischen Forschungsprogramm „All of Us“ sowie mehr als drei Millionen Menschen aus der japanischen JMDC-Datenbank. Um den Einfluss bereits bestehender, aber noch nicht diagnostizierter Erkrankungen zu minimieren, wurden Krebsfälle, die innerhalb des ersten Jahres diagnostiziert wurden, aus den entsprechenden Modellen ausgeschlossen.

Vorhersagegenauigkeit variiert je nach Krebsart

Die Machine-Learning-Modelle erzielten insgesamt bessere Ergebnisse als herkömmliche statistische Verfahren. Ihre Leistungsfähigkeit unterschied sich jedoch deutlich zwischen den einzelnen Tumorentitäten. Für einen kombinierten Endpunkt, der anhand routinemäßig verfügbarer klinischer Daten vorhersagbare Krebserkrankungen zusammenfasste, erreichten die Modelle nach 15 Jahren eine Fläche unter der ROC-Kurve (AUROC) von 0,83.

Besonders gute Ergebnisse zeigten sich bei Lungen-, Speiseröhren- und Leberkrebs, während die Vorhersagegenauigkeit bei Eierstock-, Brust- und Gebärmutterhalskrebs geringer ausfiel. Bei akuter myeloischer Leukämie und multiplem Myelom nahm die Vorhersagegenauigkeit mit zunehmendem Zeithorizont ab. Dies deutet darauf hin, dass kurzfristige Vorhersagen teilweise frühe Anzeichen einer bereits vorhandenen, aber noch nicht diagnostizierten Krebserkrankung widerspiegeln könnten.

Routinedaten liefern den größten Informationsgewinn

Ein wesentlicher Teil der prognostischen Informationen stammte aus routinemäßig erhobenen Laborwerten und der klinischen Anamnese. Blutuntersuchungen lieferten auch für Krebserkrankungen, die mehr als fünf Jahre später diagnostiziert wurden, einen zusätzlichen Vorhersagewert. Genetische und metabolomische Daten verbesserten die Prognose dagegen nur geringfügig.

Zusätzlich entwickelte das Team mit PRE-Screen eine Toolbox, mit der KI-Agenten auf Basis großer Sprachmodelle (Large Language Models, LLMs) die Risikomodelle standardisiert ausführen können. Die damit unterstützten Agenten erzielten deutlich bessere Ergebnisse als Sprachmodelle, die Risikoprognosen ohne dieses Werkzeug erstellten.

„Bei bestimmten Krebsarten könnten diese Modelle als kostengünstiger Vorab-Screening-Schritt dienen, wobei Daten genutzt werden, die bereits in der Routineversorgung anfallen“, erklärte der Hauptautor Dr. Paul-Henry Koop vom Else Kröner Fresenius Center for Digital Health an der TU Dresden. „Bestehende Screening-Programme decken nur bestimmte Krebsarten ab und verwenden oft sehr allgemeine Teilnahmekriterien, anstatt das individuelle Risiko der jeweiligen Person zu bewerten.“ In der Europäischen Union konzentrierten sich die Empfehlungen traditionell auf das Screening auf Brust-, Gebärmutterhals- und Darmkrebs. Der Rat der EU hat darüber hinaus empfohlen, die Möglichkeiten einer Früherkennung weiterer Krebserkrankungen zu prüfen.

Fehlalarme und Validierung bleiben zentrale Herausforderungen

„Krebsarten unterscheiden sich erheblich in ihren krebserzeugenden Mechanismen sowie darin, wie gut ihre Risikofaktoren und Vorstufen in Routinedaten erfasst werden“, erläuterte Koop. Er merkte an, dass die Modelle dabei helfen könnten, Screenings oder Maßnahmen zur Senkung des Krebsrisikos gezielter einzusetzen, gab jedoch zu bedenken, dass viele Personen, bei denen ein höheres Risiko festgestellt wird, letztlich nicht an Krebs erkranken werden. „Ein solcher Hinweis sollte daher zunächst zu minimalinvasiven Untersuchungen führen“, sagte er. Da die Studie vorhandene Daten retrospektiv analysierte, sind weitere Untersuchungen erforderlich, um festzustellen, ob dieser Ansatz tatsächlich zu einer früheren Diagnose oder besseren Behandlungsergebnissen führt.

Dr. Marco Lorenzi, Forschungsdirektor am Inria Sophia Antipolis der Université Côte d’Azur in Frankreich, der nicht an der Studie beteiligt war, forderte deshalb eine umfassende Prüfung des vorgeschlagenen Protokolls in unterschiedlichen Populationen und Versorgungskontexten außerhalb der UK-Biobank-Kohorte. Weitere Validierungsstudien seien erforderlich, um die Zuverlässigkeit und Übertragbarkeit der Ergebnisse sowie mögliche Verzerrungen zu beurteilen.

Das automatisierte Analyseverfahren könnte sich nach Einschätzung Lorenzis als nützliches Instrument zur Priorisierung von Patientinnen und Patienten, zur Früherkennung und zur Risikobewertung erweisen. Daraus könnten sich Vorteile sowohl für die Betroffenen als auch für das Gesundheitssystem ergeben, indem die Versorgungsbelastung reduziert werde.

(lj/BIERMANN)