KI-Analyse prognostiziert Pankreaskrebs-Rezidivrisiko

Forschende der Mayo Clinic haben nachgewiesen, dass künstliche Intelligenz auf Standard-Pathologiefolien angewendet Muster erkennen kann, die das Risiko eines Pankreaskrebs-Rückfalls nach Operation und Chemotherapie deutlich präziser vorhersagen als herkömmliche Methoden. Die Ergebnisse erschienen im Fachjournal Clinical Cancer Research. Bisherige pathologische Bewertungen konzentrieren sich primär auf die verbleibende Tumorlast. Das Team um Dr. Ryan Carr untersuchte stattdessen die räumliche Organisation des restlichen Krebsgewebes. Mittels einer KI-gestützten digitalen Pathologieplattform und adaptierter Methoden aus der Landschaftsökologie analysierten die Forschenden Gewebeproben von 203 Patientinnen und Patienten mit pankreatischer Adenokarzinom, die lediglich auf eine neoadjuvante Chemotherapie angesprochen hatten. Die Algorithmen kartierten die Struktur von Tumorarealen und dem umgebenden Stroma, wobei Fragmentierungsgrad, Grenzflächenbeschaffenheit und Durchmischung als zentrale Parameter dienten. Die Analyse ergab, dass eine stark zersplitterte und eng mit dem Stroma vermischte Tumorgeometrie signifikant mit früheren Rezidiven korreliert. Reine Mengenangaben zum verbliebenen Krebsgewebe trennten Risikogruppen dagegen nicht ausreichend. In den KI-Modellen wiesen Patientinnen und Patienten mit hochriskanten räumlichen Signaturen ein um siebzig Prozent erhöhtes, in einer weiteren Auswertung mehr als verdoppeltes adjustiertes Rezidivrisiko auf. Diese Vorhersagekraft blieb auch nach Kontrolldaten zu Tumorstadium, Lymphknotenbefall und etablierten klinischen Parametern erhalten. Biologisch ließen sich die Muster mit dem Tumor-Mikromilieu verknüpfen. In den hochriskanten Anordnungen waren deutlich weniger Immunzellen innerhalb des Tumorgewebes nachweisbar; statt in das Karzinom einzudringen, sammelten sie sich vorwiegend im peritumoralen Stroma. Dieses Befundmuster unterstreicht die Rolle des lokalen Gewebeumfelds bei Therapieresistenzen und Krankheitsprogression. Da die Analyse auf routinemäßig angefertigten Hämatoxylin-Eosin-Folien basiert, eröffnet sie die Möglichkeit, ohne zusätzliche Biopsien oder Labortests erweiterte prognostische Informationen zu gewinnen. Dr. Carr betonte, dass die gesuchten Merkmale bereits im vorliegenden Gewebe enthalten seien und die KI lediglich die bisher dem menschlichen Auge schwer erfassbaren räumlichen Dimensionen quantifiziere. Die Methode steht in Einklang mit der Forschungsstrategie Precure der Mayo Clinic, die darauf abzielt, Daten und Technologie zur früheren Risikoerkennung und rechtzeitigen Intervention einzusetzen. Langfristig zielt das Projekt darauf ab, Nachsorgepläne, adjuvante Therapien und die Rekrutierung für klinische Studien individualisierter zu gestalten. Die Forschenden weisen darauf hin, dass die vielversprechenden Befunde zunächst in prospektiven, multizentrischen Studien validiert werden müssen, bevor der Ansatz flächendeckend in die klinische Entscheidungsfindung integriert werden kann. Bis dahin markiert die Arbeit einen signifikanten Schritt hin zur datengestützten, präziseren Onkologie und demonstriert das transformative Potenzial von KI in der digitalen Pathologie.