Rezidivrisiko beim Endometriumkarzinom mit multimodalem Deep Learning vorhersagen

Die Vorhersage von Fernmetastasen ist beim Endometriumkarzinom (EC) für eine personalisierte adjuvante Behandlung von entscheidender Bedeutung. Derzeit besteht der Goldstandard in der kombinierten Erstellung eines pathologischen und molekularen Profils, ist allerdings kostspielig und behindert die Umsetzung.

Sarah Volinsky-Fremond und ihre Kollegen haben HECTOR* entwickelt, ein multimodales Prognosemodell mit Deep Learning, das mit Hämatoxylin und Eosin gefärbte vollständig digitalisierte Mikroskopie-Proben und das Tumorstadium als Input nutzt, und zwar bei 2072 Patientinnen aus 8 EC-Kohorten, inkl. der randomisierten Studien PORTEC-1/-2/-3.

Wie die Autoren schreiben, wies HECTOR in internen (n=353) und 2 externen (n=160 und n=151) Testsätzen C-Indizes von 0,789, 0,828 bzw. 0,815 auf und übertraf damit den aktuellen Goldstandard. Außerdem konnten Patienten mit deutlich unterschiedlichen Ergebnissen identifiziert werden: So betrugen die 10-Jahres-Wahrscheinlichkeiten für die Freiheit von Fernmetastasen 97,0 %, 77,7 % bzw. 58,1 % für ­HECTOR-Gruppen mit niedrigem, mittlerem bzw. hohem Risiko, gemäß Kaplan-Meier-Analyse.

Ebenso prognostizierte HECTOR den Nutzen der adjuvanten Chemotherapie besser als aktuelle Methoden. Die Extraktion morphologischer und genomischer Merkmale identifizierte Korrelate der HECTOR-Risikogruppen, einige davon mit therapeutischem Potenzial. HECTOR sei eine Verbesserung des aktuellen Goldstandards und könne bei der Bereitstellung einer personalisierten Behandlung beim EC helfen, schließt das Team um Dr. Tjalling Bosse vom Leids Universitair Medisch Centrum, Niederlande. (sf)

*histopathology-based endometrial cancer tailored outcome risk