Mit maschinellem Lernen vorhersagen, ob eine Immuntherapie anspricht

Als wichtigsten Nachteil der neuen Hoffnungsträger in der Krebsbehandlung, der Immuntherapien, kann man die Schwierigkeit bezeichnen, vorherzusagen, bei wem sie wirken werden. Ein Forschungsteam nutzt zur Identifizierung von Patienten, die besser darauf ansprechen, das maschinelle Lernen , eine Anwendung der künstlichen Intelligenz . In einer aktuellen Studie von Leiserson und Kollegen, veröffentlicht in PLOS Oneim Dezember 2018, verwendete das Team Daten aus einer klinischen Studie mit Blasenkrebspatienten und sagte zutreffend voraus, welche Patienten eine Immunantwort zeigen würden. Darüber hinaus wurde gezeigt, dass der Ansatz Überbehandlungen um die Hälfte verhindern könnte.

Immuntherapien nutzen zur Krebsbehandlung das körpereigene Immunsystem und haben in den letzten Jahren revolutionäre Ergebnisse erzielt. Die meisten wirken jedoch nur bei einer Minderheit der Patienten. Eine bessere Anwendung der Immuntherapie und niedrigere Kosten hängen davon ab, genauer vorherzusagen, welche Patienten profitieren werden.

Mark Leiserson, Professor für Informatik an der University of Maryland, und Forschende von Microsoft Research sowie dem Memorial Sloan Kettering Cancer Center erprobten zur besseren Vorhersage des Ansprechens auf Immuntherapie einen neuen Computermodellierungsansatz, der zahlreiche Daten der Patienten und ihrer Tumoren analysiert.

Das von Dr. Leiserson und seinem Team entwickelte multifaktorielle Computermodell erfasst zwar % 38 der Patienten ohne Behandlungsnutzen, aber auch % 100 derjenigen mit Nutzen. Die Genauigkeit der Software wird also über die profitierenden Patienten erhöht. Entscheidend ist, dass auch 3 verschiedene Datenarten verwendet werden, die in üblichen Krebsbehandlungen und Studien nicht berücksichtigt werden: genetische Tumordaten, Daten der Immunzellen und klinische Patientendaten.

Bislang konzentrierte sich die Immuntherapieforschung darauf, „einen“ Biomarker zu finden, der die Wirksamkeit dieser Medikamente beim einzelnen Patienten vorhersagt. Vielleicht lag hier der Fehler, denn ein oder ein bis zwei Biomarker reichten nicht aus, um das Ansprechen vorherzusagen. Dieses Problem scheint durch die Analyse mehrerer Faktoren mithilfe maschinellen Lernens lösbar zu sein.

Um die Computermodelle zu erstellen, analysierten Dr. Leiserson und sein Team Daten einer klinischen Blasenkrebsstudie mit einem einzigartig umfangreichen Datensatz zu Tumorzellen, Immunzellen und Patienten. Für ihr Modell wurden 36 unterschiedliche Merkmale definiert.

Links in der folgenden Abbildung sind 3 verschiedene Kategorien mit 36 Merkmalen zu sehen:

Mit dem entwickelten Algorithmus wurden Merkmale identifiziert, die bei gemeinsamer Analyse % 79 des Ansprechens des Patienten auf die Immuntherapie erklären : 20 Merkmale wurden bestimmt. Bislang hatte kein Biomarker das Immuntherapieansprechen in diesem Ausmaß vorhersagen können.

Die Forschenden entdeckten außerdem, dass die Immunantwort nicht mehr vorhersagbar war, wenn eine der drei Datenkategorien (Tumordaten, Immunzelldaten oder klinische Patientendaten) aus dem Modell entfernt wurde: Seine Vorhersagekraft sank auf % 23. Dr. Leiserson betonte, dass es hierbei wichtiger sei, auf einen vielseitigen Ansatz zu vertrauen, als allein auf diese 20 Merkmale selbst.

Diese identifizierten Merkmale sind möglicherweise nicht die einzigen, die zur Vorhersage des Immuntherapieansprechens verwendet werden können. Die Faktoren können sich ändern, doch alle drei Kategorien – Tumor, Immunzellen und klinische Patientendaten – müssen berücksichtigt werden.

Insgesamt trägt diese Studie wesentlich zu den aktuellen Bemühungen im Bereich der Präzisionsonkologie bei, die Behandlungen an die genetischen und molekularen Profile der Tumoren von Patienten anpassen soll.