Duktales Karzinom in situ (DCIS) stellt eine präinvasive Form von Brustkrebs dar, die zu gefährlicheren Stadien der Krankheit fortschreiten kann. Diese Krebsart macht etwa 25 Prozent aller Brustkrebsdiagnosen aus.

Aufgrund der Komplexität bei der genauen Bestimmung des Typs und Stadiums von DCIS unterziehen sich Patienten oft unnötig intensiven Behandlungen. Um dieses Problem zu verringern, hat ein interdisziplinäres Forscherteam vom MIT und der ETH Zürich ein fortschrittliches KI-Modell entwickelt. Dieses Modell ermöglicht die Erkennung verschiedener Stadien von DCIS anhand einfacher und zugänglicher Brustgewebebilder. Die Forschung hat gezeigt, dass sowohl der Zustand als auch die Anordnung der Zellen innerhalb einer Probe entscheidend für die genaue Bestimmung des DCIS-Stadiums sind.

Angesichts der Verfügbarkeit dieser Gewebebilder haben Forscher eine der größten Datenbanken dieser Art erstellt, die zur Schulung und Testung des KI-Modells verwendet wurde. Beim Vergleich der Vorhersagen des Modells mit den Diagnosen der Pathologen wurde ein hohes Maß an Übereinstimmung festgestellt.

In Zukunft kann dieses Modell Ärzten helfen, einfachere Fälle effizienter zu diagnostizieren, ohne komplizierte Tests durchführen zu müssen, was ihnen mehr Zeit für die detaillierte Analyse von Fällen gibt, bei denen es schwierig ist, vorherzusagen, ob DCIS invasiv wird.

"Wir haben die Grundlage für ein besseres Verständnis der Bedeutung der räumlichen Zellorganisation bei der Diagnose von DCIS gelegt. Wir haben nun eine Technik entwickelt, die breit angewendet werden kann. Weitere Forschung und Zusammenarbeit mit Krankenhäusern werden entscheidende Schritte sein, um dieses Modell in die klinische Praxis umzusetzen", sagte Caroline Uhler, Professorin am Department of Electrical Engineering and Computer Science (EECS) und am Institute for Data, Systems, and Society (IDSS). Sie ist auch die Direktorin des Eric und Wendy Schmidt Centers am Broad Institute von MIT und Harvard und Forscherin am MIT Laboratory for Information and Decision Systems (LIDS).

Kombinieren von Bildern und künstlicher Intelligenz
Zwischen 30 und 50 Prozent der DCIS-Patienten entwickeln invasiven Krebs. Forscher wissen jedoch immer noch nicht, welche Biomarker zur Vorhersage dieses Übergangs verwendet werden sollen. Techniken wie Multiplex-Färbung oder Einzelzell-RNA-Sequenzierung können helfen, das Stadium von DCIS zu bestimmen, aber diese Methoden sind zu teuer für den breiten Einsatz.

In früheren Forschungen haben Wissenschaftler gezeigt, dass eine kostengünstige Technik, bekannt als Chromatin-Färbung, ebenso informativ sein kann wie teurere Methoden. Für diese Studie vermuteten die Forscher, dass die Kombination dieser Technik mit einem fortschrittlichen maschinellen Lernmodell ähnliche Informationen über Krebsstadien liefern kann wie teurere Methoden.

Zunächst erstellten sie einen Datensatz, der 560 Bilder von Gewebeproben von 122 Patienten in drei verschiedenen Stadien der Krankheit enthält. Dieser Datensatz wurde verwendet, um ein KI-Modell zu trainieren, das die Repräsentation des Zustands jeder Zelle im Gewebeprobenbild lernt und darauf basierend das Krebsstadium des Patienten ableitet.

Da jedoch nicht jede Zelle Anzeichen von Krebs zeigt, mussten die Forscher einen Weg finden, sie sinnvoll zu aggregieren. Sie entwarfen ein Modell, das Zellcluster in ähnlichen Zuständen erstellt und acht Zustände identifiziert, die wichtige Marker für DCIS sind. Einige Zellzustände sind aussagekräftiger für invasiven Krebs als andere. Das Modell bestimmt den Anteil der Zellen in jedem Zustand innerhalb der Gewebeprobe.

Die Bedeutung der Organisation
"Bei Krebs ändert sich auch die Zellorganisation. Wir haben festgestellt, dass es nicht ausreicht, nur den Anteil der Zellen in jedem Zustand zu haben. Sie müssen auch verstehen, wie die Zellen organisiert sind", erklärt Shivashankar.

Mit diesem Einblick wurde das Modell so konzipiert, dass es sowohl den Anteil als auch die Anordnung der Zellzustände berücksichtigt, was seine Genauigkeit erheblich steigerte. "Es war interessant zu sehen, wie wichtig die räumliche Organisation ist. Frühere Studien haben gezeigt, dass Zellen in der Nähe der Milchgänge wichtig sind. Es ist jedoch auch wichtig zu berücksichtigen, welche Zellen in der Nähe anderer Zellen sind", sagt Zhang.

Als sie die Ergebnisse ihres Modells mit den von Pathologen bewerteten Proben verglichen, zeigte das Modell in vielen Fällen ein hohes Maß an Übereinstimmung. In unklaren Fällen konnte das Modell Informationen über Gewebeprobenmerkmale, wie die Zellorganisation, liefern, die Pathologen bei der Entscheidungsfindung nutzen können.

Dieses vielseitige Modell kann für den Einsatz bei anderen Krebsarten oder sogar neurodegenerativen Erkrankungen angepasst werden, was eines der Bereiche ist, die die Forscher derzeit erforschen. "Wir haben gezeigt, dass diese einfache Färbung mit den richtigen KI-Techniken sehr leistungsfähig sein kann. Es ist noch viel Forschung nötig, aber wir müssen die Zellorganisation in mehr unserer Studien berücksichtigen", schließt Uhler.

Diese Forschung wurde teilweise vom Eric und Wendy Schmidt Center am Broad Institute, der ETH Zürich, dem Paul Scherrer Institut, der Schweizerischen Nationalfonds, den US National Institutes of Health, dem US Office of Naval Research, der MIT Jameel Clinic für maschinelles Lernen und Gesundheit, dem MIT-IBM Watson AI Lab und dem Simons Investigator Award finanziert.

Quelle: Massachusetts Institute of Technology