Ein KI-System aus Heidelberg könnte Hirntumordiagnosen revolutionieren – schneller, günstiger und zugänglicher als je zuvor.
Ein Heidelberger Forscherteam hat ein KI-System entwickelt, das die Diagnose von Hirntumoren grundlegend verändern könnte. Hetairos – benannt nach dem griechischen Begriff für Gefährte – analysiert gewöhnliche Gewebeschnitte und ordnet sie innerhalb weniger Minuten einem von 102 Hirntumor-Subtypen zu. Was bislang spezialisierte Labore, kostspielige Tests und Wochen an Wartezeit erforderte, könnte künftig in einem Bruchteil der Zeit erledigt sein.
Hirntumore stellen Pathologen seit jeher vor eine besondere Herausforderung. Unter dem Mikroskop sehen viele Präparate auf den ersten Blick täuschend ähnlich aus – doch winzige molekulare Unterschiede entscheiden darüber, ob ein Patient eine vergleichsweise gut behandelbare Erkrankung hat oder eine, die sofortiges, aggressives Eingreifen erfordert. Die präzise Unterscheidung hängt häufig von spezialisierten Tests ab, die mehrere Tage in Anspruch nehmen und mehrere hundert Euro kosten können. In weiten Teilen der Welt ist diese Art der Diagnostik nach wie vor nicht zugänglich.
Schneller als Methylierungstests
In den vergangenen Jahren hat sich die DNA-Methylierungsprofilierung als eines der wichtigsten Werkzeuge zur genauen Einordnung von Hirntumoren etabliert. Sie kann Tumoridentitäten aufdecken, die allein aus Form und Färbung nicht erkennbar wären, und ist in manchen Fällen für eine korrekte Diagnose schlicht unerlässlich. Allerdings sind Methylierungstests aufwendig: Sie erfordern spezialisierte Geräte, entsprechend ausgestattete Labore und ausreichend Tumormaterial. Zudem dauern sie in der Regel rund zwei Wochen.
Wie eine neue prospektive klinische Evaluierung zeigt, betrug die durchschnittliche Zeit vom Eingang einer neurochirurgischen Probe bis zur abschließenden integrierten Diagnose zwölf Tage – bei Fällen, die molekulare Tests erforderten, sogar rund 16 Tage. Hetairos arbeitet erheblich schneller: Sobald ein Präparat digitalisiert vorlag, benötigte das System im Schnitt zwölf Minuten, um es auf Standard-Computerhardware auszuwerten und einen Bericht zu erstellen. Inklusive Färbung, Fixierung und Digitalisierung lagen die Ergebnisse meist innerhalb von 24 Stunden bis zwei Tagen vor.
Trainiert und evaluiert wurde das Modell anhand von mehr als 11.000 digitalisierten Gewebeschnitten von 9.606 Patienten, die an elf Institutionen auf vier Kontinenten gesammelt wurden. Als Referenzstandard dienten gepaarte molekulare Diagnosen, die überwiegend auf DNA-Methylierungsprofilen basierten. Auf dieser Grundlage wurde Hetairos darauf trainiert, 102 diagnostisch relevante Subtypen sowie 34 übergeordnete Tumor-Superfamilien zu erkennen.
In der internen Validierung stimmte die erste Vorhersage des Systems in 75 Prozent der Fälle mit der methylierungsbasierten Klassifikation überein. Wurden die drei wahrscheinlichsten Vorhersagen gemeinsam betrachtet, stieg die Trefferquote auf 87 Prozent. Entscheidend für den praktischen Nutzen des Systems ist dabei seine Konfidenzangabe: Hetairos markiert Fälle als hochsicher, wenn der Wahrscheinlichkeitswert über 0,5 liegt. Diese hochsicheren Fälle machten 70 Prozent des internen Validierungssatzes aus – und innerhalb dieser Gruppe war die erste Vorhersage in 88 Prozent der Fälle korrekt. Bei Fällen mit geringerer Konfidenz sank die Erstvorhersage-Genauigkeit auf 46 Prozent, wenngleich die richtige Diagnose in 71 Prozent der Fälle zumindest unter den ersten drei Vorschlägen zu finden war.
In einem verblindeten Vergleich mit 210 Fällen wurde Hetairos auch gegen fünf erfahrene Neuropathologen getestet. Jeder Spezialist musste Diagnosen aus derselben Liste von 102 molekularen Subtypen stellen – ausschließlich auf Basis der Hämatoxylin-Eosin-Präparate. Das KI-System schnitt dabei deutlich besser ab: Seine erste Wahl war in 68 Prozent der Fälle korrekt, während die menschlichen Experten im Schnitt auf 30 Prozent kamen. Bei Berücksichtigung der jeweils drei wahrscheinlichsten Diagnosen erreichte Hetairos 84 Prozent, die Neuropathologen rund 50 Prozent.
Grenzen bei Seltenheit
Bei sehr seltenen Tumortypen schmolz dieser Vorsprung allerdings zusammen. Bei Subtypen mit weniger als zehn Fällen im Trainingsdatensatz erzielten die menschlichen Spezialisten ähnliche Ergebnisse wie das Modell. Diagnosen wie metastasierendes Melanom oder Teratom blieben für Hetairos schwierig – eine Schwäche, die eine grundlegende Einschränkung widerspiegelt: Seltene Tumore lassen sich nur dann zuverlässig klassifizieren, wenn genügend Trainingsdaten vorhanden sind.
Konzipiert wurde das System ausdrücklich nicht als Ersatz für molekulare Tests, sondern als Wegweiser – als Begleiter, wie der Name andeutet. In der Routinepraxis beginnen Pathologen üblicherweise mit H&E-Präparaten, ergänzen diese durch Immunhistochemie und greifen bei Bedarf auf weiterführende molekulare Methoden zurück. Rund 30 Prozent der Fälle lassen sich ohne zusätzliche molekulare Abklärung nicht vollständig klären. Manche scheitern auch daran, dass schlicht nicht genug Gewebe vorhanden ist – ein häufiges Problem bei kleinen stereotaktischen Biopsien.
Genau hier könnte Hetairos seinen größten Nutzen entfalten. Bei 96 Proben, bei denen eine Methylierungsanalyse wegen unzureichenden Gewebematerials nicht möglich war, traf das Modell in 76 Fällen die richtige Vorhersage. In einer weiteren Kohorte von 50 Proben, die erst durch eine Kombination mehrerer molekularer Verfahren diagnostiziert werden konnten, nachdem Methylierungstests kein eindeutiges Ergebnis geliefert hatten, lag Hetairos in 27 Fällen richtig.
Darüber hinaus hebt das System jene Bereiche eines Gewebeschnitts hervor, die für seine Entscheidung ausschlaggebend waren. Diese Visualisierungen stellen keine Diagnose – sie können aber zeigen, welche Abschnitte einer Probe die aussagekräftigste Morphologie aufweisen und sich damit am besten für weiterführende Tests eignen.
„Die Studie zeigt, dass künstliche Intelligenz in der Lage ist, molekulare Informationen direkt aus Routinegewebeschnitten abzuleiten und damit die Krebsdiagnostik grundlegend zu verändern“, sagte Darui Jin, einer der Hauptautoren der Studie. Sein Kollege Gerstung ergänzte: „Hetairos zeigt das enorme Potenzial KI-gestützter digitaler Pathologie, schnelle und breit verfügbare Diagnosemethoden bereitzustellen, die bisher nur mit erheblichem technischem Aufwand möglich waren.“
In gut ausgestatteten Zentren ließe sich damit die Fallpriorisierung verbessern und der Weg zur Behandlung verkürzen – teure molekulare Tests könnten gezielter für jene Tumore reserviert werden, bei denen sie tatsächlich unerlässlich sind. In ressourcenschwachen Umgebungen wiederum könnte Hetairos einen praktischen Weg eröffnen, aus bereits vorhandenen Routinepräparaten deutlich mehr diagnostischen Mehrwert zu schöpfen.
Die Forschungsergebnisse sind im Fachjournal Nature Cancer veröffentlicht.
