Deutlich bessere Krebsklassifizierung durch maschinelles Lernen

Viele Krebsarten werden häufig nach dem mikroskopischen Erscheinungsbild ihrer Zellen eingeteilt. Diese pathologische Untersuchung wird seit fast 200 Jahren durchgeführt. Trotz hoher Fachkenntnis und zahlreicher Kriterien und Algorithmen enthalten Diagnosen subjektive Anteile und können je nach Beobachter etwas variieren. Mit einer heutigen KI-Technologie, dem maschinellen Lernen , erzielte eine Hirntumorstudie durch Untersuchung molekularer Muster objektive und präzisere Krebsdiagnosen.
Grundvoraussetzung jeder Behandlung ist eine richtige Diagnose. Technologische Fortschritte in der KI-gestützten Bildverarbeitung ermöglichen präzise diagnostische Untersuchungen unabhängig von subjektiven Ergebnissen. Capper und sein Team arbeiten an solchen lernbasierten Technologien und stellten eine neue molekular begründete Hirntumorklassifikation vor.
Heute werden viele Tumoren neben histologischen auch anhand molekularer Merkmale analysiert und definiert. Die Weltgesundheitsorganisation (WHO) empfahl 2016, Histologie und molekulare Informationen für integrierte Diagnosen gemeinsam zu nutzen. Vorwiegend histologische Diagnosen bleiben jedoch bei vielen seltenen Tumoren mangels molekularer Kennzeichen unzureichend. Weitere Schwierigkeiten sind mögliche Zellvariationen in Tumoren als Mosaiken unterschiedlicher genetischer Veränderungen und die Tatsache, dass viele unterschiedliche Hirntumoren ähnliche histologische Merkmale teilen. Offen bleibt, wie gut histologische Ähnlichkeit tatsächliche Tumorähnlichkeit abbildet: Tumoren mit ähnlicher Histologie können unterschiedlich, solche mit unterschiedlicher Histologie ähnlich verlaufen.
Ein wichtiger Fortschritt ist die Erweiterung rechnerischer Werkzeuge, mit denen maschinelles Lernen histologische Daten analysiert. Dabei wird ein Computer anhand eines Datensatzes von Tumoraufnahmen, die ein Arzt klassifiziert hat, trainiert. Er nutzt diese Klassifikationen, um eigene Mustererkennungskriterien für Tumortypen zu entwickeln. Schwierigkeiten entstehen jedoch, wenn klare Diagnosekriterien fehlen oder verschiedene Tumortypen histologisch nicht unterscheidbar sind.
Capper und Kollegen konzentrierten sich auf molekulare Informationen, deren Klassifizierung keine komplexe visuelle Beurteilung verlangt, sowie auf epigenetische Veränderungen. Sie verwendeten maschinelles Lernen zur Tumorklassifikation anhand veränderter DNA-Methylierung (Anlagerung von Methylgruppen an DNA) und verglichen die Diagnosen mit histologischen Diagnosen von Pathologen.
DNA-Methylierung ist eine epigenetische Modifikation. Sie verändert die DNA-Sequenz nicht, kann aber Genexpression oder Zellschicksal beeinflussen. Ihre Rolle und die anderer epigenetischer Veränderungen bei Krebs wird immer deutlicher. Bei vielen Krebsarten verändert sich das genomweite Muster epigenetischer Modifikationen, das Epigenom, stark. Beispielsweise verursachen Mutationen in IDH1 oder IDH2 bei Gliomen genomweite Störungen der DNA-Methylierungsmuster, die mit bestimmten klinischen Ergebnissen verbunden sein können.
Frühere Studien betonten die diagnostischen Vorteile der DNA-Methylierungsprofilierung bestimmter Hirntumoren, weil eine epigenomweite Analyse einen unvoreingenommenen Diagnoseansatz bietet. In der Routinediagnostik ist sie jedoch relativ selten: wegen Kosten, Probenanforderungen, mangelndem Personal mit Datenanalysekenntnissen und der Frage nach Konsequenzen für die Therapie. Fortschritte gibt es dennoch. Beispielsweise bestehen Verfahren zur Nutzung von DNA aus dem häufigsten chemisch konservierten Tumorgewebe auf Objektträgern, formalinfixierten und paraffineingebetteten Proben (FFPE).
Die Autoren lieferten dem Computer genomweite Methylierungsdaten von Proben nahezu aller WHO-klassifizierten Hirntumortypen. Zur Erkennung von Methylierungsmustern nutzten die Computer überwachtes maschinelles Lernen mit pathologisch klassifizierten Proben sowie Ergebnisse unüberwachten Lernens.
Nach dem Training konnte der Computer Tumoren anhand spezifischer Methylierungsprofile 82 Klassen zuordnen. Nur 29 entsprachen einem bestimmten Tumortyp innerhalb der vertretenen 29 Unterkategorien WHO-definierter Tumortypen.
Die interessantesten Entdeckungen von Capper und Kollegen waren jedoch Klassifikationen, die histologisch ähnliche Tumoren zusammenfassten, darunter mehrere WHO-Typen oder nicht zur WHO-Gruppierung passende Tumoren. Solche Erkenntnisse können histologieunabhängige Tumorähnlichkeiten aufzeigen und zur Entwicklung von Behandlungen oder Diagnosewerkzeugen beitragen.
Die Autoren ließen den Computer 1.104 Testfälle klassifizieren, deren Tumoren zuvor mit histologischen oder molekularen Standardverfahren diagnostiziert worden waren. Bei %60.4 stimmten Computer- und Pathologenklassifikation überein. Bei %15.5 benannten beide denselben Tumortyp, der Computer konnte jedoch zusätzlich eine Unterklasse zuweisen. Bei %12.6 wich die Computerdiagnose von der des Pathologen ab.
Bemerkenswerterweise führte eine genauere Analyse dieser Fälle — beispielsweise durch Gensequenzierung — bei %92.8 dieser abweichenden Tumoren zur Änderung der ursprünglichen klinischen Diagnose entsprechend der Computerklassifikation. Außerdem erhielten %71 der neu klassifizierten Tumoren einen anderen Tumorgrad, was Prognose oder Therapie beeinflussen könnte. Die übrigen Testfälle (%11.5) konnte der Computer nicht einordnen. Weitere Analysen zeigen, dass ein Drittel dieser Gruppe seltene Tumoren darstellen könnte, für die der Computer bislang genügend Beispiele zur Bildung einer eigenen Klasse angetroffen hat.
Ist der Ansatz von Capper und Kollegen mit der Standardkrebsdiagnostik vergleichbar? Könnte er angesichts von Vorteilen wie niedrigen Kosten pro Probe künftig zum Standard werden? Wäre dies das Ende histologischer Analysen?
Ein umfassendes molekulares Profil einer Tumorprobe ist besonders in Verbindung mit der Mikroskopie zweifellos nützlich und könnte den Weg vorgeben, da Therapien zunehmend an individuelle Tumormerkmale angepasst werden. Derzeit bleibt die Histologie jedoch unverzichtbar: Standardverfahren zur Probenkonservierung und mikroskopischen Untersuchung bieten weltweit den zugänglichsten und universellsten Einstieg in die Routinediagnostik. Krankheiten können sich sowohl molekular als auch zellulär zeigen. Eine Kombination aus molekularer Analyse und visueller Untersuchung könnte deshalb die diagnostischen Möglichkeiten stärken.
Die routinemäßige breite Nutzung der Plattform von Capper und Kollegen ist derzeit für viele Labore möglicherweise unpraktisch. Am unmittelbarsten könnte sie deshalb bei Fällen mit unklarer Histologie eingesetzt werden. Wird der lernbasierte Ansatz vervollständigt und erweitert, könnte er in bestimmten Situationen die diagnostische Mikroskopie ersetzen.
Quellen
Machine learning classifies cancer.
Nature, News and Views, 14 March 2018
War dieser Artikel hilfreich?
Ihre Rückmeldung hilft uns, unsere Inhalte zu verbessern.





Leserkommentare
Kommentar verfassen
Ihr Name und Ihr Kommentar werden erst nach Freigabe durch die Administration veröffentlicht. Ihre E-Mail-Adresse wird Besuchern niemals angezeigt.
Schreiben Sie den ersten Kommentar.