Früherkennung eines lokalen Dickdarmkrebs-Rückfalls mithilfe eines KI-basierten Vorhersagemodells

Wissenschaftliche Veröffentlichungen:
https://pubmed.ncbi.nlm.nih.gov/40674919/

Ein renommiertes Gesundheitsforschungsinstitut, das als Pionier die Analyse von Flüssigbiopsien bei Patienten mit Dickdarmkrebs vorangetrieben hat, war an der Entwicklung prädiktiver und prognostischer Biomarker interessiert, um Patienten mit hohem Rückfallrisiko zu identifizieren und die Wirkung der adjuvanten Therapie vorherzusagen.

Traditionelle Methoden zur Messung und Einstufung der minimalen Resterkrankung (MRD) sind invasive Verfahren. Neue prognostische Biomarker wie Flüssigbiopsietests können zwar die MRD-Abschätzung verbessern, bieten aber immer noch nur eine begrenzte Sensitivität zur Identifizierung von Patienten mit hohem Rückfallrisiko.

Die nahtlose Integration der Flüssigbiopsie mit Radiomics und aus CT-Scans extrahierten tiefen Merkmalen (Standarddaten [SoC]) könnte jedoch ein neues Multi-Omics-Tool für die Überwachung und Diagnose von Tumoren in einem frühen Stadium bieten und relevante Erkenntnisse für die Prognose von Rückfällen und den Behandlungserfolg der Patienten liefern.

Nach einem kollaborativen Design sammelten wir retrospektive multizentrische Realweltdaten (RWD) von einer großen Stichprobe von Patienten mit Diagnosen, die durch traditionelle Methoden bestätigt wurden. Die RWD umfassten klinische Daten, Flüssigbiopsie und SoC-CT-Scans. Es wurde eine 3D-Segmentierung des Tumorgewebes durchgeführt und Texturen, tiefe Merkmale und fraktale Dimensionsparameter extrahiert. Nachdem alle diese quantitativen Bildgebungs-Biomarker erhalten worden waren, wurden mehrere KI-basierte Klassifizierungsmodelle trainiert, die die Bildgebungsmerkmale mit Flüssigbiopsie und klinischen Daten kombinierten, um einen frühen Rückfall bei Patienten vorherzusagen und Patienten mit niedrigem und hohem Risiko zu klassifizieren. Die generierte Analyse-Pipeline wurde in QP-Discovery integriert^® Plattform, wodurch ein End-to-End-KI-Tool entsteht.

Das Innovationspotenzial dieses neuen Ansatzes führte zu drei primären Ergebnissen:

1. Die Identifizierung der Bildsignatur zur Früherkennung eines Rückfalls bei lokalisiertem Dickdarmkrebs,
2. Die Entwicklung eines Stratifizierungsinstruments zur Unterscheidung zwischen Patienten mit niedrigem und hohem Risiko für Dickdarmkrebs,
3. Die Erstellung prädiktiver Modelle zur Messung der Wirkung der adjuvanten Therapie, welche die Antitumorwirksamkeit verschiedener Wirkstoffe testet, wird zu neuen nutzbaren therapeutischen Zielen führen.

Durch die Zusammenführung klinischer Daten mit Radiomics, fraktalen und tiefen Merkmalen lieferte das KI-Modell eine hohe und erhöhte Genauigkeit von 87.9 % (KI 95 %: 67.7–100) im Vergleich zu klinischen Variablen allein (60 %, KI 95 %: 30–90) bei der Vorhersage eines Rückfalls. Das genaueste KI-basierte Modell wird voraussichtlich durch die Kombination von Radiomics-Funktionen mit RWD erreicht, um bei Patienten mit einem möglichen Rückfall vorherzusagen. Dies führt zur Auswahl personalisierter Behandlungen, die die Reaktion im Vergleich zu den derzeitigen Standardtherapien verbessern.