Mit künstlicher Intelligenz das Rückfallrisiko bei Brustkrebs berechnen
In diesem Artikel
Das Rückfallrisiko bei frühem Brustkrebs „besser“ vorhersagen
HR-positiver (HR+), HER2-negativer Brustkrebs im Frühstadium macht etwa 70 %aller Brustkrebserkrankungen aus. Die schwierigste klinische Entscheidung in der adjuvanten Behandlung ist, ob eine Chemotherapie wirklich nötig ist . Zu wenig Therapie kann das Rückfallrisiko erhöhen, zu viel Therapie unnötige Toxizität verursachen.
Heutige Genomtests wie Oncotype DX schließen eine wichtige Lücke, erreichen jedoch meist nur AUC 0.75–0.80 und nutzen die in histologischen Schnitten enthaltenen Informationen zur Tumorarchitektur und Mikroumgebung nur begrenzt. Der Vortrag RF5-03 stellt einen Ansatz vor, der digitale Pathologie + klinische Daten + genomische Scores in einem einzigen Modell verbindet und anhand prospektiver Validierungsdaten eine auf Deep Learning beruhende künstliche Intelligenz (KI) für die Risikoprognose untersucht.
Hinweis: Dieser Inhalt ist keine medizinische Beratung. Individuelle prognostische Entscheidungen sind vom onkologischen Team unter Berücksichtigung des gesamten klinischen Zusammenhangs zu treffen.
p<0.001
Genomtest
Klarere Unterscheidung
HR 3.1 (2.5–3.8)
Wo und in welchem Format wurde die Studie vorgestellt?
Die Ergebnisse wurden beim San Antonio Breast Cancer Symposium (SABCS) 2025 innerhalb der Sitzung Rapid Fire Session 5 unter der Kennung RF5-03 vorgestellt. Das Kongressabstract erschien im J Clin Oncol als Supplement: J Clin Oncol. 2025;43(suppl 17):RF5-03.
Studiendesign
Es handelt sich nicht um eine Arzneimittelstudie, sondern um eine Untersuchung eines Vorhersagemodells . Die Forscher digitalisierten bei Patientinnen mit frühem HR+/HER2− Brustkrebs die histologischen Schnitte und speisten sie zusammen mit klinischen Angaben (Alter, Lymphknotenstatus u. a.) sowie einem genomischen Risikoscore in dasselbe Modell ein. Ziel war zu prüfen, wie gut das Modell die „Rückfallwahrscheinlichkeit in den nächsten 5 Jahren“ unterscheiden konnte.
Insgesamt wurden n=2.512 Patientinnen einbezogen. Das Modell lernte zunächst anhand von n=1.200 Patientinnen und wurde anschließend bei n=1.312 Patientinnen unabhängig validiert. Die mediane Nachbeobachtung betrug 4.1 Jahre laut Bericht.
Modellleistung: AUC-Vergleich
Balken: AUC (0–1) • Schmale Markierungen: 95% KI der KIWas bedeutet der Unterschied in der Praxis?
Ein AUC-Anstieg von 0.78 auf 0.88deutet darauf hin, dass das Modell hohes und niedriges Risiko besser trennt. Im vorgestellten Beispiel lag die Rückfallrate nach 5 Jahren oberhalb eines bestimmten Schwellenwerts bei 25 % , in der Niedrigrisikogruppe dagegen bei 5 % . Diese Unterscheidung könnte insbesondere die klinische Diskussion darüber beeinflussen, wer tatsächlich von Chemotherapie profitiert und wem sie erspart werden kann.
Klinisch besonders nützliche Hinweise aus dem Vortrag
• In der Hochrisikogruppe: HR 3.1 (95% KI: 2.5–3.8)
• Rückfälle nach 5 Jahren: 25 % (hoch) versus 5 % (niedrig)
• Leistung bei Lymphknoten (+): AUC 0.90
• Externe Validierung (asiatische Kohorte, n=300): AUC 0.86
Warum könnte Pathologie die Behandlung grundlegend verändern?
Histologische Schnitte erlauben neben der Diagnose auch Rückschlüsse auf das Tumorverhalten: Zelldichte, Wachstumsmuster, Stromastruktur und Verteilung der Immunzellen. Das Versprechen der KI ist, diese visuellen Signale zu standardisieren und in die Prognose einzubeziehen.
Kalibrierung und Zuverlässigkeit
Für die Übereinstimmung der Modellvorhersagen mit der Wirklichkeit (Kalibrierung) wurde ein Brier-Score von 0.12 berichtet (niedriger ist besser). Zwischen ethnischen Gruppen war der Leistungsunterschied begrenzt (~2 %).
„Nebenwirkungen“ richtig einordnen
Dieses KI-Modell ist keine Behandlung und verursacht keine direkten Nebenwirkungen. Da es Entscheidungen beeinflussen kann, besteht die entscheidende klinische Frage in einer möglichen falschen Risikoeinstufung mit unnötig intensiver oder unzureichender Behandlung. Deshalb sollten Modellergebnisse stets gemeinsam mit der ärztlichen Beurteilung betrachtet werden.
Praktische Botschaft
RF5-03 liefert starke Hinweise darauf, dass die Verbindung von „Genomik + Klinik + Pathologie“ die Rückfallvorhersage bei frühem HR+ Brustkrebs verbessert. Bestätigen andere Zentren diese Ergebnisse, könnten solche KI-Modelle adjuvante Entscheidungen gezielter und individueller machen.
Quelle (Vortragsabstract): Lazar AJ, Lehman CD, et al. “AI-based recurrence prediction model in HR+/HER2− early breast cancer: Prospective validation.” J Clin Oncol. 2025;43(suppl 17):RF5-03.
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.