Aktueller Stand der künstlichen Intelligenz in Krebsforschung, Diagnose und Therapie

Die viel diskutierten Techniken der künstlichen Intelligenz (KI), des maschinellen Lernens und des Deep Learning halten auch Einzug in die biomedizinische Forschung und Gesundheitsversorgung in der Onkologie, wo ihre potenziellen Anwendungen sehr breit gefächert und bedeutend sind. KI-Studien in der Onkologie umfassen zahlreiche Bereiche wie Krebsdiagnostik, Bestimmung von Krebssubtypen, Optimierung von Krebstherapien und Identifizierung neuer Arzneimittelkandidaten in der Wirkstoffforschung. Die großen medizinischen Datenbestände, die Modelle des maschinellen Lernens benötigen, sind bereits vorhanden. Dennoch müssen erhebliche Hindernisse überwunden werden, damit KI sowohl in der Krebsforschung als auch in der Klinik ihr volles Potenzial entfalten kann und diese Chance genutzt wird.

Wie also können wir damit beginnen, künstliche Intelligenz einzusetzen, um Krebsdiagnostik, Krankheitsverlauf und Behandlung bei Patienten zu verbessern und die Entdeckung neuer Medikamente voranzutreiben?

Vier Experten beantworteten dazu die häufig gestellten Fragen: Olivier Elemento, Professor für Physiologie und Biophysik an der Cornell University; Christina Leslie, Professorin für Physiologie, Biophysik und Systembiologie am Memorial Sloan Kettering Cancer Center; Johan Lundin, Professor für Medizintechnologie an der Universität Helsinki in Finnland und am Karolinska-Institut in Schweden; sowie Georgia Tourassi, Professorin für Radiologie an der Duke University und der Universität Tennese in Knoxville.

Bevor wir ins Detail gehen, fassen wir die Begriffe künstliche Intelligenz, maschinelles Lernen und Deep Learning anhand der folgenden Infografik zusammen:

Vielversprechende Studien zur Krebsdiagnose und -behandlung

Nach Einschätzung der Experten sind Studien mit Schwerpunkt auf bildgebenden Verfahren im Bereich künstliche Intelligenz und Deep Learning zweifellos vielversprechend. In den letzten zehn Jahren gab es große Fortschritte beim Einsatz von KI in der Krebsforschung. Dazu gehören Deep Learning und eine höhere Rechenleistung. Auch die fortschreitende Digitalisierung der Daten, die Pathologen zur Krebsdiagnose verwenden, zählt dazu. So wie AlphaGo22, ein Algorithmus eines neuronalen Netzes, anhand von Spielergebnissen Go lernte und durch Siege über sämtliche Go-Meister seine Genauigkeit bewies, können auch in der Onkologie diese in einer Cloud speicherbaren Bilddaten mit KI-Algorithmen in einem trainierten neuronalen Netz analysiert werden.

Darüber hinaus kann ein Deep-Learning-Modell die Homogenität beziehungsweise Heterogenität eines Tumors beurteilen. In diesem Bereich sind rasch zahlreiche Beispiele entstanden. Sie lassen vermuten, dass KI auch zur Analyse von Koloskopievideos eingesetzt werden kann.

Neben der Tumorerkennung sind die computergestützte, klinische Daten nutzende Therapiewahl und -planung, die Prognoseabschätzung (Krankheitsverlauf), die Entwicklung neuer Medikamente und Krebsfrüherkennungsuntersuchungen in der Bevölkerung ebenfalls vielversprechende Forschungsgebiete.

Mit der zunehmenden Zahl und Vielfalt von Medikamenten sowie dem Hinzukommen von Kombinationstherapien wird die Therapiewahl in der Onkologie immer komplexer. Fortschritte in der künstlichen Intelligenz könnten diese Probleme lösen und vorhersagen, welche Kombination von Medikamenten für einen Patienten wirksamer sein könnte. So werden auch auf der Grundlage genetischer und epigenetischer Unterschiede individualisierte Therapien ihren Platz in der Onkologie finden.

Deep-Learning-Modelle, die aus der primären Aminosäuresequenz die 3D-Struktur eines Proteins vorhersagen, sind ebenfalls ein neuer technischer Durchbruch. Der Einsatz künstlicher Intelligenz und Ergebnisse, die so genau sind, dass sie experimentelle Daten ersetzen könnten, können auch die Gewinnung neuer wissenschaftlicher Erkenntnisse unterstützen.

Die größte Herausforderung beim klinischen Einsatz künstlicher Intelligenz

Zwischen der biomedizinischen Forschungsliteratur und klinisch eingesetzten KI-Modellen besteht eine große Lücke. Die meisten KI-Modelle lassen sich in der Klinik nicht anwenden. Ein erster Grund sind die sich rasch verändernden Zulassungsschritte. Ein weiterer ist die erforderliche Integration von KI in den klinischen Arbeitsablauf und die Schulung des Personals für die aktualisierten Abläufe. Dies erfordert erheblichen Zeitaufwand und Investitionen.

Das grundlegendste Problem ist, dass KI-Modelle in der klinischen Anwendung häufig schwankende Ergebnisse liefern, weil ihre Eingaben variieren — etwa hinsichtlich Datenqualität, der Personen, die Daten eingeben und analysieren, oder der Patientenmerkmale. Gegenüber diesen Schwankungen wurden die KI-Modelle entweder nicht getestet, oder die Tests zeigten eine deutliche Verschlechterung ihrer Leistung. Für einen erfolgreichen klinischen Einsatz sind realistische Leistungsbewertungen der vorhandenen KI-Modelle unbedingt erforderlich.

Die Digitalisierung ist eine weitere notwendige Voraussetzung für den klinischen Einsatz von KI. In der Radiologie hat der digitale Wandel bereits stattgefunden, in der Pathologie jedoch nicht in gleicher Weise. Seit mehr als 20 Jahren stehen Werkzeuge zur Digitalisierung pathologischer Daten zur Verfügung, doch der Fortschritt ist langsam. Weitere Innovationen sind nötig, um die Technik zu vereinfachen, die Kosten zu senken und sie auch in ressourcenarmen Umgebungen nutzen zu können.

Auch die Kommunikation ist ein wichtiges Thema. Noch ist unklar, wie KI-Berichte die Ärzte erreichen, wie sie aussehen und wie Ärzte die darin enthaltenen Informationen für die klinische Versorgung eines Patienten nutzen werden.

Schließlich kann die Zusammenarbeit mit KI-Technologie dazu führen, dass Menschen ihr zu stark vertrauen, was Fehler nach sich ziehen kann. Deshalb ist es wichtig, dass Nutzer stets auf mögliche Fehler achten und entsprechend geschult werden.

Die Bedeutung von Transparenz, Reproduzierbarkeit und Validierung in der künstlichen Intelligenz

Mehr Transparenz, Reproduzierbarkeit und Validierung sind für das Vertrauen in KI-Modelle in Klinik und Forschung von großer Bedeutung.

Wenn Transparenz jedoch bedeutet, dass sich die Parameter von Algorithmen ablesen lassen und nachvollziehbar ist, was sie tun, wird dies künftig bei den meisten KI-Algorithmen nicht möglich sein. AlphaZero lernte selbstständig so gut Schach, Shogi und Go, dass es selbst die besten Meister besiegte. Es gibt aber keinen notwendigen Grund für die Annahme, dass wir die Regeln, nach denen es das Spielen gelernt hat, verstehen könnten oder überhaupt verstehen müssten.

Wenn Reproduzierbarkeit bedeutet, dass wir bei erneutem Training eines Algorithmus mit demselben Datensatz dasselbe Ergebnis erhalten, muss der trainierte Algorithmus Modellstabilität aufweisen. Trainierte KI-Algorithmen müssen anschließend getestet und validiert werden. Alle Algorithmen werden nach dem Training am „Trainingsdatensatz“ am „Testdatensatz“ getestet. Diese Schritte sagen jedoch nichts über die Generalisierbarkeit aus. Dafür ist ein Validierungsdatensatz erforderlich.

Zusammengefasst könnte zur Gewährleistung von Transparenz, Reproduzierbarkeit und Validierung ein vielseitiger Ansatz über den gesamten KI-Lebenszyklus erforderlich sein: von der Datenerhebung über die KI-Entwicklung bis zur klinischen Bereitstellung und kontinuierlichen Qualitätskontrolle.

Kurz- und langfristige Zukunft der künstlichen Intelligenz in der Onkologie

Je nach Wachstumsgeschwindigkeit und Anwendungsbreite der KI-Modelle sowie Verfügbarkeit von Daten und Rechenressourcen werden wir in den kommenden Jahren einen zunehmenden Einsatz dieser Modelle bei wichtigen Krebsproblemen erleben. Mit der exponentiell zunehmenden Digitalisierung der Pathologie und der besseren Verfügbarkeit von Daten zum Training werden KI-Modelle zur Vorhersage des Ansprechens auf bestimmte Behandlungen die nötige Reife und Leistungsfähigkeit für einen klinischen Einsatz erreichen. Zugleich werden KI-Modelle anhand prognostischer Ergebnisse trainiert, um Vorhersagen für einzelne Patienten und krankheitsspezifische Ergebnisse zu liefern.

Außerdem werden Sequenzmodelle, die entscheidende biologische Marker vorhersagen (etwa epigenomische Signale und 3D-Chromatinkontakte), zur systematischen Bewertung der Funktion nicht codierender somatischer Varianten in Krebsgenomen eingesetzt werden. Ähnliche Vorhersagemodelle für Spleißen und alternative Polyadenylierung werden auch dazu dienen, Patientenmutationen zu erfassen, die ihre RNA-Verarbeitung verändern. 

Fazit

Langfristig werden KI-Algorithmen darauf abzielen, die Diagnose zu verbessern, die Auswahl optimaler individueller Therapien zu unterstützen, Patientenergebnisse zu verbessern und Gesundheitskosten zu senken. Sie könnten eingesetzt werden, um die biologischen Grundlagen von Krebs besser zu verstehen, Kombinationstherapien und Dosierungen festzulegen und neue Krebsmedikamente mit geringerer Toxizität zu entwickeln. Der Fokus wird sogar auf Modellen liegen, die durch die Weiterentwicklung heute eingesetzter Bildgebung wie der Mammografie das Krebsrisiko vorhersagen und zur Krebsprävention beitragen können.