Predicting EGFR-TKI resistance in EGFR-mutant lung adenocarcinoma from H&E histopathology with weakly supervised multiple-instance learning

Im Kampf gegen Lungenkrebs greifen Ärzte häufig auf eine Klasse von Medikamenten zurück, die Tyrosinkinase-Inhibitoren genannt werden, um gezielt spezifische genetische Fehler innerhalb der Tumorzellen zu bekämpfen. Diese Arzneimittel wirken bei einer großen Gruppe von Patienten, deren Krebs eine Mutation in einem als EGFR bekannten Gen aufweist, bemerkenswert gut, sind jedoch kein Allheilmittel. Mit der Zeit lernt der Krebs bei fast jedem Patienten, die Behandlung zu resistent zu machen, was dazu führt, dass die Krankheit zurückkehrt. Derzeit erfordert die Klärung der Frage, ob ein Patient auf diese Medikamente ansprechen oder eine Resistenz entwickeln wird, invasive Verfahren, wie etwa die Entnahme neuer Gewebeproben oder Blutabnahmen sowie das Durchführen teurer Gentests. Selbst dann können diese Methoden die komplexe, sich verändernde Natur des Tumors übersehen. Dies hinterlässt eine kritische Lücke: den Bedarf an einer Möglichkeit, den Behandlungserfolg frühzeitig vorherzusagen, unter Verwendung von Werkzeugen, die bereits in Krankenhäusern Standard sind und keine neuen Biopsien erfordern.

Forscher haben sich dem bescheidenen Objektträger zugewandt, der gefärbten Gewebeprobe, die Pathologen seit über einem Jahrhundert untersuchen. Diese Präparate, die mit rosa und violetten Farbstoffen angefärbt sind, offenbaren die Architektur des Tumors. Während das menschliche Auge offensichtliche Anzeichen einer Erkrankung erkennen kann, sind die subtilen Muster, die signalisieren, ob ein Tumor gegen ein Medikament resistent sein wird, oft zu schwach, um sichtbar zu sein. Ein Team von Wissenschaftlern der Hebei Medical University und angeschlossener Krankenhäuser in China hat eine neue Methode entwickelt, um diese verborgenen Signale zu lesen. Sie entwickelten ein Computersystem, das das gesamte digitale Bild eines Gewebeobjektträgers betrachtet und lernt, die mikroskopischen Hinweise zu erkennen, die einen Tumor, der auf eine Behandlung anspricht, von einem, der es nicht tut, unterscheiden.

Das Team konzentrierte sich auf 100 Patienten mit einer spezifischen Art von Lungenkrebs, dem Lungenadenokarzinom, die alle die EGFR-Mutation aufwiesen und kurz vor Beginn der Therapie standen. Sie sammelten die Standard-Gewebepräparate, die erstellt wurden, bevor die Patienten mit ihrer Therapie begannen. Anstatt einen Arzt zu bitten, jede einzelne Zelle mit Linien zu umranden, um den Computer zu trainieren – was unglaublich langsam und schwierig wäre –, verwendeten sie eine Technik namens schwach überwachtes Lernen (weakly supervised learning). Bei diesem Ansatz wird dem Computer das gesamte Präparat gezeigt und lediglich das Endergebnis mitgeteilt: Hat der Patient auf das Medikament angesprochen oder ist die Krankheit fortgeschritten? Der Computer findet dann von selbst heraus, welche winzigen Teile des Bildes für dieses Ergebnis verantwortlich sind. Er zerlegt das massive Präparat in tausende kleine, handhabbare Stücke, analysiert die Merkmale jedes Stücks und lernt, die wichtigsten für eine endgültige Vorhersage zu gewichten.

Das vom Team entwickelte Computermodell erwies sich als äußerst effektiv. In Tests sagte es das Behandlungsergebnis in etwa 89 Prozent der Fälle korrekt voraus, ein Genauigkeitsniveau, das die anderen vom Forscherteam ausprobierten gängigen Methoden übertraf. Das System rät nicht einfach nur, sondern lernte, sich auf spezifische Bereiche des Gewebes zu konzentrieren, die am wichtigsten sind. Indem die Forscher untersuchten, worauf der Computer seine Aufmerksamkeit richtete, entdeckten sie, dass das Modell eine deutliche biologische Signatur in den resistenten Tumoren identifizierte. Diese Tumoren zeigten Anzeichen von Chaos auf zellulärer Ebene: Die Zellen waren dichter gepackt, ihre Formen waren unregelmäßiger und ihre Zellkerne – die Kontrollzentren der Zellen – waren größer und ungeordneter als bei Tumoren, die gut auf die Behandlung ansprachen.

Speziell hatten die Zellkerne in der resistenten Gruppe eine durchschnittliche Fläche von 78,3 Quadratmikrometern, verglichen mit 62,7 Quadratmikrometern in der sensitiven Gruppe. Das Verhältnis der Kerngröße zum Rest der Zelle war in den resistenten Fällen ebenfalls höher, und die Textur des genetischen Materials innerhalb des Kerns war chaotischer. Diese Unordnung ist nicht zufällig; sie ist mit einer tieferen genetischen Instabilität verknüpft. Die Studie fand heraus, dass Patienten, deren Tumore diese chaotischen Muster zeigten, viel wahrscheinlicher eine zweite Mutation in einem Gen namens TP53 hatten, das dafür bekannt ist, Zellen bei der Reparatur von Schäden zu unterstützen. In der Gruppe, die vom Computer als resistent vorhergesagt wurde, hatten 62,5 Prozent diese TP53-Mutation, verglichen mit nur 38,3 Prozent in der Gruppe, die als gut ansprechend vorhergesagt wurde. Dies deutet darauf an, dass der Computer nicht nur zufälliges Rauschen sieht, sondern tatsächlich den physischen Fußabdruck eines Tumors erkennt, der genetisch instabil und daher schwerer zu kontrollieren ist.

Die Forscher testeten auch, ob diese Methode je nach der spezifischen Art der EGFR-Mutation des Patienten unterschiedlich funktionierte. Der Computer schnitt bei Patienten mit einem bestimmten häufigen Mutationstyp etwas besser ab und sagte die Ergebnisse in 90 Prozent dieser Fälle korrekt voraus, im Vergleich zu 87 Prozent beim anderen Typ. Dieser Unterschied deutet darauf hin, dass die physische Struktur des Tumors je nach dem treibenden genetischen Fehler leicht variieren kann, der gesamte Ansatz jedoch über alle Gruppen hinweg robust blieb. Das System erzielte diese Ergebnisse ohne spezielle Ausrüstung außer einem Standard-Digitalmikroskop-Scanner und einem Computer, was es zu einem potenziell zugänglichen Werkzeug für Krankenhäuser macht, die nicht über fortschrittliche Gentest-Kapazitäten verfügen.

Obwohl die Ergebnisse vielversprechend sind, weisen die Forscher vorsichtig darauf hin, dass dies ein vorläufiger Schritt ist. Die Studie wurde an einer relativ kleinen Patientengruppe aus zwei Krankenhäusern durchgeführt, und das Modell wurde noch nicht an einem völlig anderen Satz von Patienten aus anderen Institutionen getestet. Der Computer ist keine Kristallkugel, die die Zukunft sehen kann, sondern ein hochentwickelter Mustererkennungsmechanismus, der gelernt hat, das visuelle Chaos eines Gewebepräparats mit der klinischen Realität der Medikamentenresistenz zu verknüpfen. Er bietet eine neue Möglichkeit, alte Daten zu betrachten, und legt nahe, dass die Antworten auf einige der schwierigsten Fragen in der Krebsbehandlung bereits in den Archiven der Pathologielabore liegen und darauf warten, von einer Maschine gelesen zu werden, die weiß, wonach sie suchen muss. Sollten zukünftige Studien diese Ergebnisse bestätigen, könnte dieser Ansatz Ärzten helfen, früher zu entscheiden, welche Patienten eine aggressivere Überwachung oder alternative Behandlungen benötigen, wodurch andere vor unwirksamen Therapien bewahrt werden und eine bessere Chance erhalten, ihre Krankheit zu kontrollieren.