WCLC 2024: Veröffentlichung von DeepGEM-Daten – KI-Verfahren bringt Vorhersage von Genmutationen bei Lungenkrebs voran

Neue Forschungsergebnisse deuten darauf hin, dass ein auf Künstlicher Intelligenz (KI) basierendes Tool namens DeepGEM einen Fortschritt bei genomischen Tests ermöglichen könnte.

Wie Prof. Wenhua Liang vom China State Key Laboratory of Respiratory Disease und der National Clinical Research Center for Respiratory Disease (China) kürzlich auf der World Conference on Lung Cancer (WCLC) der International Association for the Study of Lung Cancer (IASLC) berichtete, ermöglicht das Verfahren genaue, kostengünstige und zeitnahe Vorhersagen von Genmutationen anhand der Überprüfung histopathologischer Objektträger. Herkömmliche genomische Tests, die auf hochwertigen Gewebeproben basieren, seien häufig zeit- und ressourcenintensiv, was ihren Einsatz insbesondere in einem Kontext, in dem nur wenige Ressourcen zur Verfügung stehen, einschränke, erklärte Liang stellvertretend für das Team DeepGEM. Die Arbeitsgruppe verwendet routinemäßig gewonnene histologische Objektträger zur Vorhersage von Genmutationen, was die Verfügbarkeit und die Effizienz eines Screenings auf Mutationen deutlich verbessert.

Liang und seine Kollegen analysierten Datensätze aus 16 Zentren und von 3658 Patienten. Diese Datensätze enthalten gepaarte pathologische Bilder und Genmutationsdaten und wurden durch öffentlich verfügbare Datensätze aus dem Cancer Genome Atlas (TCGA) ergänzt.

DeepGEM wurde zunächst an einem internen Daten-Set von 1717 Patienten trainiert und evaluiert und anschließend an einem externen Datensatz, der aus 15 weiteren Zentren und von 1719 Patienten stammte, sowie an einem öffentlich verfügbaren Datensatz von 535 Patienten getestet. Um die Verallgemeinerbarkeit der Ergebnisse zu beurteilen, prüften die Wissenschaftler das Modell zudem an einem Datensatz mit Lymphknotenmetastasen, der aus 331 Biopsien bestand.

Robuste und überlegene Vorhersageleistung für verschiedene Gene

Die Leistungsfähigkeit von DeepGEM lag bei einem medianen Bereich unter der Kurve (AUC) von 0,938 für Exzisionsbiopsien und 0,891 für Aspirationsbiopsien im internen Datensatz. Im multizentrischen externen Datensatz erreichte das Modell mediane AUCs von 0,859 für Exzisionsbiopsien und 0,826 für Aspirationsbiopsien. Die Forschenden validierten das Modell mit einem AUC von 0,874 im TCGA-Datensatz weiter, was seine Wirksamkeit über verschiedene ethnische Zugehörigkeiten der Patienten hinweg zeigte. Die Arbeitsgruppe betont, dass die Fähigkeit von DeepGEMs, Mutationen aus primären Biopsien vorherzusagen, sich auch auf Lymphknotenmetastasen erstreckte, was auf sein Potenzial für die Prognose gezielter Therapien hindeute.

Laut Liang liefert DeepGEM auch interpretierbare Ergebnisse und generiert räumliche Genmutationskarten auf Einzelzellebene, die anhand immunhistochemischer Ergebnisse validiert wurden, was die Genauigkeit und Zuverlässigkeit des Modells unterstreicht.

„Im Vergleich zu früheren Studien erzielte DeepGEM eine robuste und überlegene Vorhersageleistung für verschiedene Gene, was sich anhand der bislang größten verwendeten multizentrischen Datensätze validieren ließ“, hielt Liang fest. „Die Fähigkeit rascher Vorhersagen durch DeepGEM ermöglichen schnellere Entscheidungen bei der Behandlung, sodass Patienten mit schweren Symptomen früher gezielte Therapien erhalten können. Darüber hinaus bietet das Verfahren Möglichkeiten zur Erkennung von Multigenmutationen und zur Präzisionsbehandlung in wirtschaftlich unterentwickelten Regionen, in denen Genomtests unerschwinglich sind. Dieser innovative Ansatz besitzt das Potenzial, die klinische Behandlung von Lungenkrebspatienten zu verändern und fortschrittliche genomische Erkenntnisse zugänglicher und umsetzbarer zu machen.“