Künstliche Intelligenz gegen Krebs: KI-Tool von NIH sagt Immuntherapie-Erfolg bei Krebspatienten voraus

MÜNCHEN (IT BOLTWISE) – Wissenschaftler des National Institutes of Health (NIH) haben ein KI-Tool entwickelt, das vorhersagen kann, wie Krebspatienten auf Immuntherapie ansprechen werden.

In einer Machbarkeitsstudie haben Forscher am NIH ein KI-Tool entwickelt, das routinemäßig erhobene klinische Daten, wie zum Beispiel aus einem einfachen Bluttest, nutzt, um vorherzusagen, ob eine Krebserkrankung auf Immun-Checkpoint-Inhibitoren anspricht. Diese Art der Immuntherapie hilft den Immunzellen, Krebszellen zu töten. Das maschinelle Lernmodell könnte Ärzten dabei helfen zu bestimmen, ob Immuntherapie-Medikamente für die Behandlung des Krebses eines Patienten geeignet sind. Die Studie, die am 3. Juni 2024 in Nature Cancer veröffentlicht wurde, wurde von Forschern am Zentrum für Krebsforschung des National Cancer Institute (NCI) und dem Memorial Sloan Kettering Cancer Center in New York geleitet. Das NCI ist Teil des NIH.

Derzeit sind zwei prädiktive Biomarker von der Food and Drug Administration für die Identifizierung von Patienten zugelassen, die möglicherweise für die Behandlung mit Immun-Checkpoint-Inhibitoren infrage kommen. Der erste ist die Tumormutationslast, die die Anzahl der Mutationen in der DNA von Krebszellen angibt. Der zweite ist PD-L1, ein Tumorzellprotein, das die Immunantwort begrenzt und ein Ziel einiger Immun-Checkpoint-Inhibitoren ist. Diese Biomarker sagen jedoch nicht immer genau voraus, wie Patienten auf Immun-Checkpoint-Inhibitoren ansprechen. Kürzlich entwickelte maschinelle Lernmodelle, die molekulare Sequenzierungsdaten verwenden, haben sich als wertvoll erwiesen, aber diese Art von Daten ist teuer zu beschaffen und wird nicht routinemäßig erhoben.

Die neue Studie beschreibt ein anderes maschinelles Lernmodell, das Vorhersagen auf der Grundlage von fünf klinischen Merkmalen trifft, die routinemäßig bei Patienten erfasst werden: das Alter eines Patienten, die Krebsart, die Vorgeschichte der systemischen Therapie, der Albuminspiegel im Blut und das Verhältnis von Neutrophilen zu Lymphozyten im Blut, ein Entzündungsmarker. Das Modell berücksichtigt auch die Tumormutationslast, die durch Sequenzierungspanels bewertet wird. Das Modell wurde unter Verwendung von Daten aus mehreren unabhängigen Datensätzen entwickelt und bewertet, die 2.881 Patienten umfassten, die mit Immun-Checkpoint-Inhibitoren über 18 verschiedene solide Tumorarten behandelt wurden.

Das Modell sagte genau die Wahrscheinlichkeit voraus, mit der ein Patient auf einen Immun-Checkpoint-Inhibitor ansprechen würde, und wie lange er sowohl insgesamt als auch bis zum Rückfall der Krankheit überleben würde. Bemerkenswerterweise konnten die Forscher feststellen, dass das Modell auch Patienten mit geringer Tumormutationslast identifizieren konnte, die dennoch effektiv mit Immuntherapie behandelt werden konnten.

Die Forscher betonten, dass größere prospektive Studien erforderlich sind, um das KI-Modell in klinischen Umgebungen weiter zu evaluieren. Sie haben ihr KI-Modell, genannt Logistic Regression-Based Immunotherapy-Response Score (LORIS), öffentlich zugänglich gemacht unter https://loris.ccr.cancer.gov. Das Tool schätzt die Wahrscheinlichkeit ab, dass ein Patient auf Immun-Checkpoint-Inhibitoren anspricht, basierend auf den oben beschriebenen sechs Variablen.

Die Studie wurde von Eytan Ruppin, M.D., Ph.D., vom Zentrum für Krebsforschung des NCI und Luc G. T. Morris, M.D., vom Memorial Sloan Kettering Cancer Center geleitet. Die Arbeit wurde von Tiangen Chang, Ph.D., und Yingying Cao, Ph.D., aus Dr. Ruppins Gruppe am Zentrum für Krebsforschung des NCI geleitet.