Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

Jedes Jahr erhalten Millionen von Frauen weltweit die Diagnose eines Frühstadiums von Brustkrebs. In diesem Stadium hat sich die Krankheit noch nicht über die Brust oder die umliegenden Lymphknoten hinaus ausgebreitet, was die Tür zu einer breiten Palette von Behandlungsoptionen öffnet. Ärzte müssen entscheiden, ob eine Patientin allein eine Operation benötigt oder ob sie zusätzlich Strahlentherapie, Chemotherapie oder Hormontherapie benötigt. Um diese schwierigen Entscheidungen zu treffen, verlassen sich Kliniker auf prognostische Werkzeuge – mathematische Modelle, die die Überlebenschance einer Patientin fünf Jahre nach der Diagnose schätzen. Diese Schätzungen helfen Ärzten und Patientinnen, die Vorteile einer aggressiven Behandlung gegen die Risiken von Nebenwirkungen abzuwägen. Über Jahrzehnte hinweg waren die zugänglichsten Werkzeuge auf Basis standardmäßiger klinischer Informationen: der Größe des Tumors, dem Alter der Patientin und der Art und Weise, wie die Krebszellen unter dem Mikroskop aussehen. Obwohl neuere, teurere Gentests existieren, bleiben die einfacheren, älteren Werkzeuge wichtig, da sie weit verbreitet und erschwinglich sind. Diese traditionellen Werkzeuge basieren jedoch auf Daten spezifischer Bevölkerungsgruppen und können manchmal Schwierigkeiten haben, wenn sie auf andere Populationen angewendet werden oder wenn Informationen fehlen.

In einer kürzlich durchgeführten Studie untersuchten Forscher, ob die moderne Informatik diesen klassischen Werkzeugen neues Leben einhauchen könnte. Sie konzentrierten sich auf eine spezifische Herausforderung: Wie man ein bewährtes Überlebensmodell nimmt und es an eine neue Patientengruppe anpasst, ohne das gesamte System von Grund auf neu aufbauen zu müssen. Sie untersuchten auch, ob neue Arten von Computer-Algorithmen, bekannt als maschinelles Lernen, direkt aus Patientenakten lernen können, um bessere Vorhersagen zu treffen. Das Team verglich drei verschiedene Ansätze: die Verwendung des alten Modells in seiner ursprünglichen Form, die Anpassung des alten Modells an die neuen Daten und das Training völlig neuer Computerprogramme von Grund auf. Ihr Ziel war es zu sehen, welche Methode die genauesten und zuverlässigsten Überlebensschätzungen für Frauen mit frühem Brustkrebs lieferte, insbesondere wenn einige medizinische Details in ihren Unterlagen fehlten.

Die Forscher begannen ihre Arbeit mit einer großen klinischen Studie namens MA.27, die tausende postmenopausale Frauen mit hormonpositiv Brustkrebs begleitete. Sie wollten vorhersagen, wer fünf Jahre lang ohne Rückkehr des Krebses überleben würde. Zuerst testeten sie ein bekanntes Werkzeug namens PREDICT, das mit Daten aus dem Vereinigten Königreich trainiert worden war. Als sie dieses Werkzeug auf die amerikanischen und kanadischen Frauen der MA.27-Studie anwandten, funktionierte es, war aber nicht perfekt. Das Werkzeug konnte für fast ein Viertel der Patientinnen keine Vorhersage treffen, da es spezifische Details erforderte, wie etwa die exakte Anzahl der positiven Lymphknoten oder die präzise Größe des Tumors, die in den Daten der Studie fehlten oder anders erfasst wurden. Selbst bei den Patientinnen, für die es eine Vorhersage treffen konnte, lag das Werkzeug mit seinen Schätzungen oft leicht daneben und unterschätzte häufig, wie viele Frauen überleben würden.

Um dies zu beheben, probierte das Team eine Technik namens Transfer Learning aus. Stellen Sie sich einen Musiker vor, der das Geigenspiel perfektioniert hat und dann lernt, die Bratsche zu spielen; er beginnt nicht wieder bei Null, sondern passt seine bestehenden Fähigkeiten an das neue Instrument an. Ähnlich nahmen die Forscher das vortrainierte PREDICT-Modell und „feinabstimmten“ dessen interne Einstellungen, um es an die spezifischen Muster zu passen, die in den MA.27-Daten gefunden wurden. Dieser Prozess, der die Parameter des Modells an die neue Gruppe anpasste, verbesserte die Genauigkeit der Vorhersagen drastisch. Dennoch konnte das feinabgestimmte Modell, genau wie das ursprüngliche Werkzeug, für etwa 24 % der Patientinnen keine Überlebensschätzungen liefern, da es weiterhin von spezifischen Datenpunkten abhängig war, die in deren Unterlagen fehlten. Im Gegensatz dazu konnten die neuen Machine-Learning-Modelle das Überleben für alle Individuen vorhersagen, unabhängig von fehlenden Informationen.

Das Team trainierte zudem brandneue Computermodelle von Grund auf unter Verwendung der MA.27-Daten. Diese Modelle, die mit Methoden entwickelt wurden, die exzellent darin sind, Muster in komplexen Daten zu finden, stützten sich nicht auf die alten Regeln aus dem Vereinigten Königreich. Stattdessen lernten sie direkt aus den amerikanischen und kanadischen Patientinnen. Eines dieser neuen Modelle schnitt genauso gut ab wie die feinabgestimmte Version, während ein anderes leicht unterschiedliche Stärken zeigte. Entscheidend war, dass diese neuen Modelle in der Lage waren, fehlende Informationen natürlich zu handhaben. Im Gegensatz zum ursprünglichen Werkzeug, das aufhören würde zu arbeiten, wenn ein einziges Datum fehlte, konnten die neuen Computerprogramme immer noch eine Vorhersage treffen, indem sie die verfügbaren Informationen nutzten. Dies ist ein bedeutender Vorteil in der realen Medizin, in der Patientenakten oft unvollständig sind.

Schließlich kombinierten die Forscher die Stärken all dieser Ansätze in einem einzigen „Ensemble“-Modell. Dieses System nahm die Vorhersagen des feinabgestimmten Werkzeugs und der neuen Computermodelle und vermischte sie, um eine endgültige, einheitliche Schätzung zu erstellen. Dieser kombinierte Ansatz erwies sich als robust und bot die Zuverlässigkeit des feinabgestimmten Modells mit der Flexibilität der neuen Algorithmen. Als das Team diese verbesserten Modelle an einer separaten Gruppe von Patientinnen aus einer anderen klinischen Studie testete, waren die Ergebnisse gemischt. Die Verbesserungen erwiesen sich für einen großen Datensatz aus den Vereinigten Staaten als wahr, was bestätigte, dass die Modelle auf ähnliche Populationen generalisierbar sind. Als sie jedoch an einer multinationalen Studie mit Patientinnen aus Europa und Asien getestet wurden, waren die Verbesserungen weniger deutlich, und das ursprüngliche vortrainierte Modell schnitt in dieser spezifischen Kohorte tatsächlich besser ab als die angepassten Versionen, was darauf hindeutet, dass die Modelle noch sorgfältig an sehr unterschiedliche Patientengruppen angepasst werden müssen.

Die Studie kommt zu dem Schluss, dass traditionelle Werkzeuge zwar wertvoll sind, aber durch moderne Techniken erheblich verbessert werden können. Indem man bestehende Modelle feinabstimmt oder neue Modelle auf lokalen Daten trainiert, können Ärzte genauere Überlebensschätzungen erhalten, selbst wenn die Patientenakten unvollkommen sind. Die Forschung hebt hervor, dass das Alter der Patientin, die Anzahl der betroffenen Lymphknoten, der Grad des Tumors und die Tumorgröße die wichtigsten Faktoren für die Vorhersage des Überlebens sind – eine Erkenntnis, die in allen verschiedenen Modellen Bestand hatte. Letztendlich legt diese Arbeit nahe, dass wir unsere etablierten Werkzeuge nicht aufgeben müssen, um die Patientenversorgung zu verbessern. Stattdessen können wir, indem wir kluge Computermethoden nutzen, um diese Werkzeuge an neue Situationen anzupassen, eine persönlichere und zuverlässigere Orientierungshilfe für Frauen bieten, die mit Brustkrebs konfrontiert sind, um sicherzustellen, dass Behandlungsentscheidungen auf den bestmöglichen Informationen basieren.