Erschienen in:
21.11.2023 | Kolorektales Karzinom | Referate: Preisträgerinnen und Preisträger – Rudolf-Virchow-Preis
Multistain Deep Learning zur Vorhersage von Prognose und Therapieansprechen im kolorektalen Karzinom
verfasst von:
Stefan Schulz, M.Sc., Prof. Dr. Moritz Jesinghaus, Dr. Sebastian Foersch
Erschienen in:
Die Pathologie
|
Sonderheft 3/2023
Einloggen, um Zugang zu erhalten
Zusammenfassung
Der Tumorimmunmikroumgebung („tumor immune microenvironment“, TIME) kommt bei soliden Tumorerkrankungen, wie z. B. Darmkrebs, eine entscheidende prognostische und prädiktive Rolle zu. Dennoch werden Scoringsysteme wie der Immunoscore (IS) oder die Quantifizierung intraepithelialer Lymphozyten nur zögerlich in der klinischen Praxis eingesetzt. Dies ist einerseits auf den zeitlichen Mehraufwand bei manueller Quantifizierung der tumorassoziierten Immunzellen und andererseits auf die mit proprietären/kommerziellen Lösungen verbundenen Kosten zurückzuführen. Um dies zu adressieren, entwickelten wir ein Multistain-Deep-Learning-Modell (MSDLM) und trainierten, validierten und testeten dies an immunhistochemischen Bilddaten verschiedener Immunzellsubtypen von über 1000 Patient*innen mit kolorektalem Karzinom (KRK). Unser Modell zeigte eine hohe prognostische Genauigkeit und übertraf andere klinische molekular- und immunzellbasierte Parameter. Es könnte auch dazu verwendet werden, das Ansprechen auf neoadjuvante Therapien bei Rektumkarzinompatient*innen vorherzusagen. Durch KI-Erklärbarkeit bestätigten wir, dass die Vorhersagen des MSDLM auf etablierten Mustern der Antitumorimmunantwort basiert. Der sog. AImmunoscore (AIS) könnte somit ein wertvolles Entscheidungsinstrument für Kliniker*innen basierend auf der TIME darstellen.