Krebsforscher und KI-Experten kombinieren alte Bilder, um neue Einblicke in Kopf- und Halskrebs zu gewinnen. Cancer-Forscher verfügen über eine Vielzahl von Werkzeugen, um Tumoren zu untersuchen. Histologische Färbung macht verschiedene Gewebecellen in mikroskopischen Schnitten sichtbar. Computertomografie (CT) kann die Größe, Lage und Ausbreitung eines Tumors genau lokalisieren. Epigenetische Analyse ermöglicht es, das Wachstum und die genetische Regulation des Krebses zu verfolgen. Anant Madabhushi, Executive Director des Emory Empathetic AI for Health Institutes und Forscher am Winship Cancer Institute, betont die Bedeutung verschiedener „Linsen“ für die Krebsforschung. Diese Linsen – vom Makro- bis zum Mikrobereich – bieten unterschiedliche Perspektiven auf denselben Tumor. „Wir verpassen das umfassendere Bild, wenn wir diese Werkzeuge einzeln betrachten“, erklärt Madabhushi. „Erst wenn wir Daten aus verschiedenen Skalen zusammenführen – von der radiographischen über die Zell- bis zur mikroskopischen Ebene – entsteht ein echtes, umfassendes Porträt der Komplexität des Tumors. Dies ist sehr wichtig im Übersetzungsaspekt, da es uns hilft, das Verhalten des Tumors zu verstehen.“ Nabil Saba, Professor für Hämatologie und Onkologie an der Medizinischen Fakultät und Mitautor dreier der vier Studien, sieht die Anwendung von KI bei der Krebsdiagnostik als revolutionär. „KI verändert alles, was wir tun“, sagt Saba. Die vier Studien konzentrieren sich auf Kopf- und Halskrebs, insbesondere auf oropharyngale Tumoren – Kehlkopftumoren. Madabhushi weist darauf hin, dass diese Tumoren in epidemischem Maßstab zunehmen und Komplexitäten aufweisen, die durch KI-Einsatz erhellt werden könnten. „Kopf- und Halskrebs ist eine Kombination verschiedener Tumoren, je nach Entstehungsstelle innerhalb des Kopfes und Halses“, erläutert er. Im ersten Studienprojekt, veröffentlicht im European Journal of Cancer, entwickelte ein Team eine KI-Plattform namens VISTA, die standardmäßig mit Hämatoxylin-Eosin (H&E) gefärbte Gewebschnitte von Patienten mit Kehlkopfkrebs in virtuelle Immunhistochemie (IHC)-Schnitte umwandelt. Dies ermöglichte es, tumorassoziierte Makrophagen (TAMs) zu identifizieren, die in vielen Krebsarten eine wichtige Prognosefunktion haben. „Diese Makrophagen sind auf standardmäßigen H&E-Gewebschnitten sehr schwer zu erkennen. Unser Ansatz hat uns ermöglicht, Details zu erkennen, die man normalerweise nur mit speziellen ‚Brillen‘ sehen kann“, sagt Madabhushi. In Studie zwei, veröffentlicht in JAMA Network Open, nutzte ein weiteres Team einen Swin Transformer, ein maschinelles Lernprogramm, um Daten aus vorbehandlungs-CT-Scans von primären Kehlkopftumoren zu kombinieren. Dabei wurden Merkmale sowohl aus dem primären Tumor als auch aus den Lymphknoten im Hals extrahiert. Die Kombination dieser Merkmale aus CT-Scans hat starke Korrelationen mit der langfristigen Prognose von Kopf- und Halskrebs. Studie drei, ebenfalls in eBioMedicine veröffentlicht, modifizierte den Swin Transformer zu einem Modell namens Swin Transformer-basiertes multimodales und multiregionales Datenfusionssystem (SMuRF). Dieses System ermöglichte es, nahtlos zwischen zweidimensionalen H&E-Gewebsbildern und dreidimensionalen radiologischen Bildern zu wechseln. Die Kombination verschiedener Bildtypen führte dazu, dass CT-Scans von primären Tumoren und Lymphknoten mit mikroskopischen Bildern des primären Tumors integriert werden konnten. „Wir konnten subtile Muster des Tumors erkennen und Darstellungen aus beiden Regionen zusammenführen. Dadurch konnten wir nicht nur Patientenüberleben vorhersagen, sondern auch spezifische Patienten identifizieren, die von einer Chemotherapie profitieren würden“, berichtet Madabhushi. Die vierte Studie, ebenfalls im European Journal of Cancer veröffentlicht, ging einen Schritt weiter und verknüpfte Gewebsbilder mit epigenetischen Daten über den Krebs. Kopf- und Halskrebstumoren zeigen unterschiedliche Formen und Größen, was die Diagnose und Therapie erschwert. Mit einem neuen Modell namens Pathogenomic Fingerprinting konnten die Forscher die visuelle Architektur der Tumorzellen in Gewebsbildern mit Muster der genetischen Regulation verbinden, die für die Entwicklung des Tumors verantwortlich sind. „Ein tiefgehendes molekulares Verständnis der epigenetischen Aspekte des Tumors fördert unser Verständnis der Zellstruktur des Tumors erheblich. Wir konnten diese beiden Welten – das Gewebe und die entsprechende Epigenetik – verbinden“, resümiert Madabhushi. Das Ziel aller vier Studien war es, die Risikoklassifikation der Patienten zu verbessern. „Welche Tumoren sind aggressiver und werden fortschreiten? Welche sind weniger aggressiv und less wahrscheinlich, so stark zu wachsen?“, fragt Madabhushi. „Es geht darum, praxistaugliche Werkzeuge zu entwickeln, die Ärzten bei Patienteninterventionen helfen.“ Alle vier Studien zeigten, dass die kombinierten Daten die Krebsrisikobewertungen verbesserten oder zumindest denen, die auf einzelnen Datenquellen basieren, entsprachen. Trotz dieser vielversprechenden Ergebnisse betont Saba, Halpern Chair in Head and Neck Cancer Research am Winship Institute, die Notwendigkeit, vorsichtig zu sein, bevor die Leistung der KI in die klinische Praxis übersetzt wird. „Wir befinden uns in einer Phase des Verstehens, was möglich ist. Die Frage ist, wie wir es tun. Das wird Zeit erfordern. Bei der Erstellung großer Datenmengen besteht die Gefahr, dass wichtige Aspekte der Patientenbetreuung übersehen werden. Es ist gut, Daten zu generieren, aber diese Daten müssen letztendlich dem Einzelnen Patienten helfen, um die beste Behandlung zu gewährleisten.“ Die Forschungsarbeiten von Madabhushi und seinen Teams zeigen, dass die Integration unterschiedlicher Datenquellen durch KI zu tieferen Einblicken in die Komplexität von Kopf- und Halskrebs führen kann. Dies verspricht, die Prognose und die Behandlung dieser Krebsarten erheblich zu verbessern. Die vorsichtige Anwendung und Weiterentwicklung dieser Techniken werden entscheidend sein, um ihr volles Potenzial in der klinischen Praxis zu nutzen.