Das KI-Tool DeepGrade verbessert die Genauigkeit der Brustkrebs-Klassifikation und liefert so die Grundlage für eine bessere klinische Versorgung.
Laut aktuellen Schätzungen gab es allein 2020 weltweit 19,3 Millionen neue Krebserkrankungen. Rund zwölf Prozent davon fallen auf die Diagnose Brustkrebs. Damit war Brustkrebs die am häufigsten diagnostizierte Krebserkrankung im vergangenen Jahr.
Für die Diagnose wird üblicherweise eine Gewebeprobe entnommen und einer histologischen Untersuchung unterzogen. Diese Untersuchung führt dann zu einer Einstufung der Schwere der Erkrankung, etwa nach dem weitverbreiteten histologischen Grad nach Nottingham (NHG). Ausgehend von dieser Einstufung entwerfen Spezialisten anschließend einen Behandlungsplan.
Beim Einsatz des NHG werden jedoch etwa 50 Prozent aller Patient:innen als Grad 2 eingestuft, eine mittlere Risikogruppe, „die leider keine klaren Hinweise darauf gibt, wie die Patient:innen zu behandeln sind“, so Yinxi Wang. Bei einigen Patient:innen mit einer Grad-2-Diagnose könne so etwa unnötigerweise Chemotherapie zum Einsatz kommen, während andere womöglich nicht ausreichend behandelt würden.
Wang ist Doktorandin in der Abteilung für medizinische Epidemiologie und Biostatistik des Karolinska Instituts in Schweden. Sie entwickelt ein KI-Diagnosetool, das diese Unsicherheit beseitigen soll.
DeepGrade erkennt Muster in Grad 2
Ein Team um Wang hat daher DeepGrade trainiert, eine KI-Diagnose, die anhand verschiedener Merkmale in Gewebeproben eine genauere Tumorklassifizierung auch bei Grad-2-Diagnosen ermöglicht. Für das KI-Training und die Tests verwendete das Team hochauflösende Bilder von knapp 2.800 Patient:innen.
Die Forschenden zeigen, dass DeepGrade Grad-2-Diagnosen zuverlässig in die zwei Kategorien „DG2-low“ und „DG2-high“ aufteilen konnte. DG2-high weist im Vergleich mit DG2-low ein erhöhtes Risiko für ein Rezidiv der Erkrankung auf. Der Unterschied zwischen beiden Unterkategorien soll ähnlich aussagekräftig sein wie der zwischen Grad-1- und Grad-2-Diagnosen.
DG2-low weise außerdem phänotypische Ähnlichkeiten zu Grad 1 und DG2-high zu Grad 2 auf. Das deute darauf hin, dass das KI-Modell morphologische Muster in Grad 2 identifiziere, die mit aggressiveren Tumoren einhergehen und Menschen bisher verborgen blieben.
DeepGrade ist "kosteneffektiv und schnell"
„Ein großer Vorteil der Methode ist, dass sie kosteneffektiv und schnell ist, da sie auf Mikroskopbildern von gefärbten Gewebeproben basiert, die bereits Teil des Krankenhausverfahrens ist“, sagt Mitautor Johan Hartman, Professor für Pathologie in der Abteilung für Onkologie-Pathologie am Karolinska Institut und Pathologe am Karolinska Universitätsklinikum.
So benötige der vorgeschlagene Arbeitsablauf im Schnitt etwa 16,4 Minuten auf einer Grafikkarte. Durch Parallelisierung der Berechnungen auf mehreren Grafikkarten könne die Geschwindigkeit deutlich erhöht werden. Die Kosten für die Berechnungen in einer öffentlichen Cloud-Infrastruktur schätzen die Forscher:innen auf weniger als einen Euro.
„Dadurch können wir diese Art der Diagnose mehr Menschen anbieten und sind besser in der Lage, jedem einzelnen Patienten die richtige Behandlung zukommen zu lassen“, so Hartman.
DeepGrade soll nun weiter verbessert werden. Das Team hofft, die KI-Diagnose bis 2022 auf den Markt bringen zu können.
