05.06.2019

Drucken

Magen- und Darmkrebs: Geeignete Patienten für eine Immuntherapie mit künstlicher Intelligenz frühzeitig identifizieren

Pressemitteilung des NCT Heidelberg.

Veränderungen von bestimmten Abschnitten im Erbgut einer Krebserkrankung– den sogenannten Mikrosatelliten – sind ein wichtiger Hinweis darauf, ob bei einem Patienten mit Magen-oder Darmkrebs eine Immuntherapie erfolgreich sein könnte. Wissenschaftler der Uniklinik RWTH Aachen, des Deutschen Krebsforschungszentrums (DKFZ), des Nationalen Centrums für Tumorerkrankungen (NCT) Heidelberg und des Deutschen Krebskonsortiums (DKTK), haben einen lernfähigen Algorithmus entwickelt, der eine solche Mikrosatelliteninstabilität direkt aus den Bildern von Gewebeproben vorhersagen kann. Damit könnten Patienten, die von einer Immuntherapie profitieren, eventuell früher identifiziert werden. Die Forschungsergebnisse wurden in der Fachzeitschrift „Nature Medicine“ veröffentlicht.

Gewebeschnitte von einem Mikrosatelliten-instabilen (MSI) Patienten (a) und einem Mikrosatelliten-stabilen (MSS)-Patienten (b). © Jakob Nikolas Kather

Nur wenige Patienten mit Magen- oder Darmkrebs profitieren von einer Immuntherapie. Dabei haben manche Tumoren Veränderungen im Erbgut, sie tragen Mutationen in den als „Mikrosatelliten“ bezeichneten, sich häufig wiederholenden Abschnitten des Erbguts. Diese sogenannte Mikrosatelliteninstabilität (MSI) ist ein charakteristisches Merkmal zur Unterscheidung von verschiedenen Krebsarten des Magen-Darm-Trakts und bestimmt, ob Patienten mit diesen Erkrankungen besonders gut auf eine Immuntherapie mit Checkpoint-Inhibitoren ansprechen. Üblicherweise benötigt man für die Erkennung dieser Eigenschaften einen genetischen oder immunhistochemischen Test, der zusätzliche Kosten verursacht und in der klinischen Praxis nicht immer bei jedem Patienten durchgeführt wird.

Die Wissenschaftler aus Aachen und Heidelberg zeigten in Zusammenarbeit mit internationalen Kollegen, dass sich mit einem lernfähigen computergestützten Algorithmus – dem sogenannten „deep learning“ – MSI direkt aus routinemäßig vorliegenden Bildern von Gewebeproben diagnostizieren lässt, ohne dass zusätzliche Labortests benötigt werden. „Unser Ansatz hat das Potenzial, jeden Patienten mit Darmkrebs automatisch und kosteneffizient auf MSI zu testen und somit eine Immuntherapie einer größeren Gruppe von Darmkrebspatienten zukommen zu lassen“, sagt Jakob Nikolas Kather, Arzt und Wissenschaftler an der Klinik für Gastroenterologie, Stoffwechselerkrankungen und Internistische Intensivmedizin (Medizinische Klinik III) der Uniklinik RWTH Aachen und Wissenschaftler am DKFZ, NCT Heidelberg und DKTK. „Damit besteht die Möglichkeit, auch Patienten zu identifizieren, bei denen sonst vielleicht nie eine Immuntherapie in Betracht gezogen würde. Allerdings muss dieser Ansatz erst in prospektiven Studien überprüft werden“, ergänzt Dirk Jäger, Ärztlicher und Geschäftsführender Direktor der Abteilung für Medizinische Onkologie am NCT in Heidelberg.

Immuntherapie bei Krebserkrankungen

Krebs-Immuntherapien mit so genannten Checkpoint-Inhibitoren – Wirkstoffen, die die „Bremsen“ der Immunabwehr lösen – haben in den vergangenen Jahren starke Aufmerksamkeit erfahren. Beim Darmkrebs ließen sich allerdings mit den Checkpoint-Inhibitoren bisher lediglich bei "Mikrosatelliten-instabilen" Tumoren Erfolge erzielen. Bei den häufigeren, „Mikrosatelliten-stabilen“ Fällen von Darmkrebs haben die Checkpoint-Inhibitoren in bisherigen Studien keine objektiven Ansprechraten gezeigt. Nach wie vor ist es im Alltag eine Herausforderung vorherzusagen, bei wem die Immuntherapie wirkt. Umso wichtiger ist es, die Patienten, die von einer Immuntherapie profitieren könnten, im klinischen Alltag frühzeitig zu identifizieren.

Künstliche Intelligenz in der Medizin

Künstliche Intelligenz und lernfähige Algorithmen – diese Begriffe werden in der Medizin zunehmend prominenter. Bereits seit langer Zeit wird auf technologische Unterstützung gesetzt. Maschinen werden mit hochvaliden Daten gefüttert und trainieren so den Algorithmus, um große Datenmengen und medizinische Bilder für effizientere und genauere Behandlungen zu analysieren und so beispielsweise Krebszellen automatisiert zu erkennen.

 

Originalpublikation

Jakob Nikolas Kather, Alexander T. Pearson, Niels Halama, Dirk Jäger, Jeremias Krause, Sven H. Loosen, Alexander Marx, Peter Boor, Frank Tacke, Ulf Peter Neumann, Heike I. Grabsch, Takaki Yoshikawa, Hermann Brenner, Jenny Chang-Claude, Michael Hoffmeister, Christian Trautwein, Tom Luedde (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nature Medicine, https://www.nature.com/articles/s41591-019-0462-y