PathVista Integrates Cellular Foundation Models with Multiscale Histopathology for Colorectal Cancer Prognosis and Molecular Stratification

Im Kampf gegen den Krebs verlassen sich Ärzte seit langem auf ein Mikroskop, um den Feind zu sehen. Sie betrachten dünne Gewebeschnitte, die mit violetten und rosa Farbstoffen gefärbt sind, um abnormale Zellen zu entdecken und einzuschätzen, wie aggressiv ein Tumor sein könnte. Diese Methode, bekannt als Histopathologie, ist seit Jahrzehnten der Standard der Versorgung. Ein einzelnes Präparat enthält jedoch Millionen von Zellen, und das menschliche Auge kann sich gleichzeitig nur auf einen kleinen Bruchteil von ihnen konzentrieren. Während ein Pathologe die allgemeine Form eines Tumors erkennen kann, bleiben die subtilen Interaktionen zwischen einzelnen Zellen und ihrer unmittelbaren Umgebung oft verborgen. Diese winzigen Details – die spezifische Anordnung einer Krebszelle neben einer Immunzelle oder die präzise Form eines Zellkerns – können der Schlüssel dazu sein, vorherzusagen, ob ein Patient überleben wird oder ob die Krankheit zurückkehrt. Jahrelang haben Computer versucht zu helfen, indem sie diese Bilder analysierten, aber sie betrachteten das Gewebe oft in breiten, verschwommenen Abschnitten und übersahen dabei die feinkörnigen Details, die jede Zelle einzigartig machen.

Eine neue Studie stellt ein System namens PathVista vor, das darauf ausgelegt ist, die Art und Weise zu verändern, wie Computer diese mikroskopischen Landkarten lesen. Anstatt mit den Augen auf große, verschwommene Gewebeabschnitte zu starren, zoomt dieses System zuerst auf einzelne Zellen, um sie zu untersuchen, und lernt so eine „Vokabel“ aus zellulären Formen und Verhaltensweisen aus über 160 Millionen Beispielen. Es tritt dann einen Schritt zurück, um zu sehen, wie diese Zellen in die größere Gewebelandschaft passen. Indem PathVista die Geschichte der einzelnen Zelle mit der Geschichte der Nachbarschaft kombiniert, in der sie lebt, zeichnet es ein viel klareres Bild der wahren Natur des Tumors. Die Forscher testeten diesen Ansatz an tausenden Patienten mit Darmkrebs, der dritthäufigsten Krebsart weltweit, und fanden heraus, dass diese zentrierte Sichtweise auf die Zelle das Überleben vorhersagen und spezifische genetische Mutationen mit bemerkenswerter Genauigkeit identifizieren konnte, wobei sie bestehende Methoden oft übertraf.

Die Forscher begannen damit, einen Computer darauf zu trainieren, Zellen zu erkennen, ohne ihm zu sagen, wonach er suchen soll. Sie speisten das System mit Millionen von Bildern einzelner Zellen aus Darmkrebsgewebe. Der Computer lernte, ähnlich aussehende Zellen zusammenzugruppen und so eine mentale Bibliothek zellulärer Typen basierend rein auf ihrem visuellen Erscheinungsbild zu erstellen. Dieser Prozess, genannt selbstüberwachtes Lernen (self-supervised learning), ermöglichte es dem System, Muster zu entdecken, die dem menschlichen Auge entgehen könnten, wie etwa subtile Variationen in der Zellgröße oder die Art und Weise, wie Zellen verklumpen. Sobald der Computer diese zelluläre Vokabel beherrschte, bauten die Forscher PathVista auf, um sie zu nutzen. Für jedes neue Patientenpräparat identifiziert und analysiert das System zunächst jede einzelne Zelle und erfasst deren einzigartige Merkmale. Dann betrachtet es die breitere Gewebestruktur, um den Kontext zu verstehen. Schließlich führt es diese beiden Ansichten zusammen und erstellt einen umfassenden Bericht, der sowohl die mikroskopischen Details als als auch die makroskopische Architektur des Tumors widerspiegelt.

Als das System an einer großen Gruppe von 2.568 Patienten mit Darmkrebs getestet wurde, bewies PathVista seinen Wert. Das System generierte für jeden Patienten einen Risikoscore, der die Überlebenschancen des Patienten stark vorhersagte. Patienten, die das System als Hochrisikopatienten einstufte, hatten eine signifikant höhere Wahrscheinlichkeit, innerhalb von fünf Jahren an der Krankheit zu sterben, im Vergleich zu denen, die als Niedrigrisikopatienten eingestuft wurden. Der Unterschied war eklatant: Das Sterberisiko für die Hochrisikogruppe war mehr als sechsmal so hoch wie das der Niedrigrisikogruppe. Diese Vorhersage blieb auch dann bestehen, wenn die Forscher für andere bekannte Faktoren wie Tumorgröße, Lymphknotenbefall und Patientenalter korrigierten. Tatsächlich lieferte der Risikoscore des Computers konsistentere Informationen über das Überleben als viele der traditionellen klinischen Faktoren, die Ärzte derzeit verwenden. Das System konnte auch erfolgreich vorhersagen, wie lange Patienten nach der Behandlung krankheitsfrei bleiben würden und wie wahrscheinlich ein Rückfall wäre.

Um sicherzustellen, dass das System nicht nur die spezifischen Bilder auswendig lernt, auf denen es trainiert wurde, testeten die Forscher es an zwei völlig unterschiedlichen Patientengruppen aus anderen Krankenhäusern und Datenbanken. Selbst bei unterschiedlichen Methoden der Gewebepräparation und unterschiedlichen Patientendemografien behielt PathVista seine Fähigkeit bei, Hochrisikopatienten von Niedrigrisikopatienten zu unterscheiden. In einer externen Gruppe identifizierte das System korrekt Hochrisikopatienten, die eine wesentlich höhere Sterbewahrscheinlichkeit hatten, mit einem Risikoquotienten von fast drei gegenüber der Niedrigrisikogruppe. In einer anderen großen Datenbank war das Risikoquotient sogar noch höher, nämlich über fünf. Diese Ergebnisse legen nahe, dass das System fundamentale biologische Wahrheiten darüber gelernt hat, wie aggressive Tumore unter einem Mikroskop aussehen, anstatt lediglich die Eigenheiten eines spezifischen Datensatzes auswendig zu lernen.

Über die Vorhersage des Überlebens hinaus zeigte PathVista, dass es auch als Detektiv für spezifische genetische Mutationen fungieren kann. Darmkrebs wird durch verschiedene genetische Fehler angetrieben, und zu wissen, welche davon vorhanden sind, ist entscheidend für die Wahl der richtigen Behandlung. Das System war in der Lage, Tumore mit einer spezifischen genetischen Instabilität namens Mikrosatelliteninstabilität mit hoher Genauigkeit zu identifizieren und markierte diese in über 90 % der Fälle korrekt. Dies ist lebenswichtig, da Patienten mit dieser spezifischen Mutation oft gut auf Immuntherapien ansprechen. Das System arbeitete auch erfolgreich bei der Identifizierung von Tumoren mit einer spezifischen Mutation im BRAF-Gen, die mit einer schlechteren Prognose verbunden ist und unterschiedliche gezielte Therapien erfordert. Obwohl es bei einer anderen häufigen Mutation namens KRAS weniger erfolgreich war, deutet seine Fähigkeit, die anderen beiden zu erkennen, darauf hin, dass diese genetischen Veränderungen deutliche, sichtbare Fußabdrücke im Gewebe hinterlassen, die ein Computer lernen kann zu lesen.

Die Studie untersuchte auch, ob dieser zellfokussierte Ansatz auch für andere Krebsarten funktionieren könnte. Die Forscher wandten dasselbe, auf Darmkrebs trainierte System auf Lungen- und Brustkrebsproben an. Überraschenderweise behielt das System seine Fähigkeit bei, Ergebnisse vorherzusagen und Tumortypen in diesen anderen Organen zu klassifizieren. Dies deutet darauf hin, dass die grundlegenden Arten und Weisen, wie Zellen werden, wenn sie bösartig werden – wie sie sich teilen, wie sie mit Immunzellen interagieren und wie sie sich organisieren –, über verschiedene Krebsarten hinweg geteilt werden. Das System lernte eine universelle Sprache der zellulären Aggressivität, die über den Dickdarm hinausgeht.

Schließlich untersuchten die Forscher das Innere des Systems, um zu verstehen, was es tatsächlich sah. Sie fanden heraus, dass der Computer seine Aufmerksamkeit am meisten auf Bereiche des Gewebes richtete, in denen sich Zellen schnell teilten, wo Blutgefäße entstanden und wo der Sauerstoffgehalt niedrig war – Kennzeichen eines aggressiven Krebses. Im Gegensatz dazu konzentrierte sich das System bei Patienten, die länger überlebten, auf Bereiche, die reich an Immunzellen waren, welche bekannt dafür sind, den Tumor zu bekämpfen. Diese Übereinstimmung zwischen dem Fokus des Computers und etabliertem biologischem Wissen gibt Ärzten das Vertrauen, dass das System nicht nur zufällige Muster findet, sondern tatsächlich die realen biologischen Treiber der Krankheit identifiziert.

Die Ergebnisse bieten eine neue Perspektung darauf, wie wir routinemäßige medizinische Bilder nutzen können. Indem wir jede Zelle als ein einzigartiges Datenstück behandeln und ihren Platz im größeren Ökosystem des Gewebes verstehen, verwandelt PathVista ein Standard-Mikroskoppräparat in eine reiche Quelle prognostischer Informationen. Obwohl das System kein Ersatz für Gentests ist, stellt es ein leistungsfähiges, zugängliches Werkzeug dar, das Ärzten helfen könnte, Hochrisikopatienten früher zu identifizieren und Behandlungen effektiver anzupassen. Die Studie zeigt, dass die Antworten auf einige der schwierigsten Fragen in der Krebsversorgung bereits in den Gewebeproben vorhanden sind, die wir seit Jahrzehnten betrachten; wir brauchten lediglich eine neue Art, sie zu sehen.