A spatial AI-based biomarker with independent prognostic value in early low- and intermediate- risk breast cancer

Brustkrebs ist eine Krankheit, bei der die Zellen des eigenen Körpers beginnen, unkontrolliert zu wachsen, und für viele Frauen umfasst der häufigste Typ Zellen, die durch Östrogen gesteuert werden, aber nicht auf ein Protein namens HER2 reagieren. Ärzte wissen schon lange, dass einige dieser Krebsarten sehr langsam wachsen und nach einer Operation unwahrscheinlich zurückkehren, während andere aggressiver sind. Um zu entscheiden, wer eine zusätzliche Behandlung, wie etwa eine Chemotherapie, benötigt, betrachten Pathologen Gewebeproben unter einem Mikroskop. Sie ordnen dem Tumor einen Grad zu, basierend darauf, wie abnormal die Zellen aussehen; ein niedriger Grad bedeutet meist eine bessere Prognose, während ein hoher Grad auf ein höheres Risiko hindeutet. Dieses System ist jedoch nicht perfekt. Viele Patientinnen mit Tumoren, die nur mäßig abnormal aussehen, haben dennoch das Risiko, dass der Krebs Jahre später zurückkehrt, während andere mit ähnlich aussehenden Tumoren vollkommen gesund bleiben. Die Herausforderung besteht darin, einen Weg zu finden, zwischen diesen beiden Gruppen zu unterscheiden, ohne sich auf teure Gentests oder Vermutungen verlassen zu müssen.

Ein Forschungsteam in Schweden hat eine neue Methode entwickelt, um diese Gewebeproben mithilfe künstlicher Intelligenz zu analysieren. Anstatt dem gesamten Tumor lediglich eine durchschnittliche Punktzahl zu geben, achtet ihre Methode genau darauf, wo spezifische Muster auftreten. Sie entdeckten, dass der Ort, an dem gefährlich aussehende Zellen auftreten, genauso wichtig ist wie deren Anzahl. Insbesondere fanden sie heraus, dass das Risiko, dass der Krebs zurückkehrt, signifikant höher ist, wenn sich Cluster von Hochrisiko-Zellen direkt am Rand des Tumors sammeln, dort, wo er auf das gesunde Gewebe trifft. Dieser Befund bietet ein neues Werkzeug, um zu identifizieren, welche Patientinnen wirklich eine aggressivere Behandlung benötigen und welche sie sicher vermeiden können, und das alles allein durch die Standard-Mikroskopfolien, die Krankenhäuser bereits vorrätig haben.

Die Forscher begannen mit einer einfachen Idee: Dass die Art und Weise, wie ein Tumor im Raum organisiert ist, Geheimnisse birgt, die ein einfacher Durchschnittswert übersieht. Stellen Sie sich einen Tumor nicht als gleichmäßigen Klumpen vor, sondern als eine Landschaft mit verschiedenen Vierteln. Einige Teile könnten ruhig und geordnet aussehen, während andere chaotisch und aggressiv sind. Jahrelang wurden Modelle der künstlichen Intelligenz, die diese Folien analysieren, darauf trainiert, das gesamte Bild zu betrachten und einen einzigen Wert zu produzieren, der das allgemeine Risiko repräsentiert. Obwohl diese Modelle leistungsstark sind, glätten sie oft die Details und vermischen die chaotischen Ränder mit den ruhigen Zentren zu einem einzigen, verwässerten Wert. Das Team hinter dieser Studie, das mit Daten von Tausenden von Patientinnen aus ganz Schweden arbeitete, stellte die Hypothese auf, dass sie ein klareres Signal finden könnten, wenn sie genau kartieren könnten, wo die gefährlichen Teile lokalisiert sind. Sie konzentrierten ihre Aufmerksamkeit auf die „invasive Front“, die äußere Grenze des Tumors, an der die Krebszellen mit dem umliegenden gesunden Gewebe interagieren und in dieses eindringen. Dies ist eine biologisch aktive Zone, in der Zellen oft ihre Form verändern, um mobiler und invasiver zu werden.

Um dies zu testen, verwendeten die Wissenschaftler einen massiven Datensatz von Gewebeproben von über 6.000 Frauen mit Brustkrebs im Frühstadium. Sie teilten diese Patientinnen in zwei Gruppen auf: eine Gruppe, um ihre Computermodelle zu trainieren, und eine völlig separate Gruppe, um die Ergebnisse zu testen, um sicherzustellen, dass die Ergebnisse kein bloßer Zufallstreffer waren. Sie nutzten ein hochentwickeltes KI-System, um jede Mikroskopfolie in tausende winzige Quadrate oder Kacheln (Tiles) zu zerlegen und analysierten die Form und Struktur der Zellen in jeder einzelnen. Die KI wurde darauf trainiert, Muster zu erkennen, die wie hochgradiger, aggressiver Krebs aussehen. Sobald die KI jede einzelne Kachel bewertet hatte, taten die Forscher etwas anderes als in früheren Studien. Anstatt nur zu zählen, wie viele Hochrisiko-Kacheln existierten, suchten sie nach Clustern. Sie stellten eine spezifische Frage: Gibt es Gruppen dieser Hochrisiko-Kacheln, die direkt nebeneinander am äußersten Rand des Tumors liegen? Sie definierten einen „Cluster“ als eine Gruppe, in der mindestens zwei Drittel der benachbarten Kacheln ebenfalls Hochrisiko-Kacheln waren. Wenn ein solcher Cluster am vorderen Teil des Tumors existierte, wurde die Patientin als „Cluster-positiv“ markiert.

Die Ergebnisse waren beeindruckend. In der Gruppe von Patientinnen mit Tumoren, die im Allgemeinen als Risiko niedrig bis intermediär eingestuft wurden, änderte das Vorhandensein dieser Cluster am Tumorrand die Prognose komplett. Unter den Patientinnen, die diese Cluster aufwiesen, war das Risiko, dass der Krebs innerhalb von zehn Jahren zurückkehrt, signifikant höher. Tatsächlich zeigten die Daten, dass Patientinnen mit diesen Clustern eine Überlebensrate ohne Rückfall nach zehn Jahren von etwa 90 Prozent hatten, was niedriger ist als die Rate von 92,6 Prozent in der Referenzgruppe des Grades 3. Andererseits hatten Patientinnen, die diese Cluster am Tumorrand nicht aufwiesen, eine exzellente Prognose mit einer Zehnjahres-Überlebensrate von über 95 Prozent. Diese Gruppe der „Cluster-negativen“ Patientinnen schnitt genauso gut ab wie jene mit den sehr niedriggradigen Tumoren, was darauf hindeutet, dass sie mit einer weniger aggressiven Therapie behandelt werden könnten.

Entscheidend war, dass dieser neue Marker Informationen lieferte, die der Standard-KI-Score allein nicht sehen konnte. Die Forscher fanden heraus, dass selbst unter Patientinnen, deren Tumore durch den allgemeinen KI-Score als risikoarm klassifiziert wurden, diejenigen, die diese spezifischen Cluster am Rand hatten, dennoch ein deutlich höheres Rückfallrisiko aufwerten. Das bedeutet, dass die räumliche Anordnung der Zellen eine verborgene Gefahr offenbarte, die ein einfacher Durchschnittswert übersehen hatte. Die Studie bestätigte diese Ergebnisse in einer unabhängigen Gruppe von Patientinnen aus einer anderen Region Schwedens und bewies damit, dass das Ergebnis nicht auf ein einzelnes Krankenhaus oder einen bestimmten Satz von Folien beschränkt war. Das Vorhandensein dieser Cluster war mit einer fast dreifachen Erhöhung des Rückfallrisikos verbunden, ein starkes Signal, das auch dann Bestand hatte, wenn die Forscher für andere Faktoren wie das Alter der Patientin oder die Größe des Tumors kontrollierten.

Diese Arbeit legt nahe, dass die Zukunft der Krebsrisikobewertung in der Betrachtung der Karte eines Tumors liegen könnte, nicht nur in seinem Durchschnittswert. Indem sie die räumlichen Informationen darüber bewahren, wo sich Hochrisiko-Zellen befinden, können Ärzte möglicherweise die Patientinnen identifizieren, die wirklich gefährdet sind, selbst wenn ihr Tumor weitgehend harmlos aussieht. Für die Patientinnen, die diese Cluster nicht haben, ist die Nachricht ebenso wichtig: Sie liefert starke Beweise dafür, dass sie in einer sehr risikoarmen Gruppe sind, was sie potenziell vor unnötigen Behandlungen bewahren kann. Die Studie behauptet nicht, das Problem des Brustkrebs gelöst zu haben, aber sie bietet eine klare, konkrete Methode, um das Verständnis von Ärzten über das Risiko zu verfeinern. Sie zeigt, dass in der komplexen Landschaft eines Tumors der Ort der Gefahr genauso wichtig ist wie die Gefahr selbst.