KI sagt Glioblastom-Rückfallorte nach Operation voraus

Ein Forscherteam der University of California, San Francisco, und der University of Michigan hat ein KI-basiertes Modell entwickelt, das die wahrscheinlichen Rückfallorte eines Glioblastoms nach der primären Tumorentfernung präzise vorhersagen kann. Die Ergebnisse der Studie sind im Fachmagazin Science Advances erschienen und wurden unter anderem vom National Institutes of Health gefördert. Da Glioblastome die häufigste und tödlichste bösartige Hirntumor-Erkrankung bei Erwachsenen sind und selbst nach vollständiger Resektion sowie adjuvanter Therapie nahezu immer wiederauftreten, stellt diese Vorhersagemöglichkeit einen bedeutenden Fortschritt in der Neuroonkologie dar. Die durchschnittliche Überlebenszeit nach Diagnose liegt bei etwa siebzehn Monaten. Das Modell nutzt kombinierte Datenströme aus klinischen Befunden, Bildgebung und molekularen Merkmalen. Als Grundlage dienten dabei Proben, die mittels Stimulierter Raman-Histologie erstellt wurden. Dieses Verfahren ermöglicht die Erstellung mikroskopischer Bilder von frischem, unprozessiertem Gewebe in unter einer Minute, was konventionelle, zeitaufwändige Färbemethoden erheblich beschleunigt. Die Bilddaten werden anschließend von der KI namens FastGlioma analysiert, die ein Infiltrationswert für jedes untersuchte Areal generiert. In sechs maschinellen Lernmodellen erwies sich die Kombination aus dem KI-Infiltrationswert und den klinischen Parametern als deutlich überlegen. Besonders der KI-Infiltrationswert zeigte sich als stärkster einzelner Prädiktor für das Wiederauftreten der Krankheit und übertraf dabei selbst die Aussagekraft der molekularen Tumorcharakteristika. Die Validierung des Modells erfolgte anhand von etwa dreihundert Proben von sechzig Patientinnen und Patienten aus dem UCSF Health Netzwerk, wobei die mediane Zeit bis zum Rezidiv bei fünfeinhalb Monaten lag. Unabhängige Tests an hundert Proben von weiteren zwanzig Patienten bestätigten die hohe Treffsicherheit des Systems. Das Modell kann nicht nur das Wiederauftreten des Tumors vorhersagen, sondern lokalisiert die wahrscheinliche Rezidivzone mit einer Präzision von fünf bis zehn Millimetern um die entnommene Gewebestelle. Da sich Rückfälle in den meisten Fällen direkt am oder am Rande der früheren Tumorhöhle bilden, eröffnen sich daraus konkrete klinische Anwendungen. Nach Einschätzung der Forschenden um Erstautor Sanjeev Herr und Seniorautor Shawn Hervey-Jumper kann das System Chirurgen während der Operation eine Echtzeit-Steuerung liefern und dabei helfen, sicher zugängliche Residualgewebe unmittelbar zu entfernen. Bei anatomisch schwer zugänglichen Arealen könnten präventive Maßnahmen wie hochdosierte fokale Strahlentherapie oder die direkte Applikation von Chemotherapeutika über einen Katheter im Voraus geplant werden. Co-Seniorautor Todd Hollon betonte, dass das primäre Ziel darin bestehe, den Zeitpunkt des ersten Rückfalls so weit wie möglich hinauszuschieben. Eine Verlängerung dieser behandlungsfreien Phase könnte direkt in eine Steigerung der Gesamtüberlebenszeit der Patientinnen und Patienten münden. Die Technologie markiert damit einen vielversprechenden Schritt hin zu personalisierten, prädiktiven Behandlungsstrategien in der Neurochirurgie.