Das hepatozelluläre Karzinom (HCC) gehört weltweit zu den häufigsten und tödlichsten Tumorerkrankungen. Bei fortgeschrittenen, nicht resezierbaren Formen kommen systemische Therapien wie Immuncheckpoint-Inhibitoren zum Einsatz. Doch nur rund 30 % der Patienten sprechen darauf an.
Potenzial Künstlicher Intelligenz in der onkologischen Entscheidungsunterstützung
Künstliche Intelligenz (KI) wird zunehmend eingesetzt, um klinische Entscheidungsprozesse zu unterstützen und komplexe Daten zu integrieren. Multimodale Ansätze, die klinische Parameter und Bildgebung kombinieren, sollen die diagnostische und prognostische Präzision verbessern.
Während maschinelles Lernen in der Bildanalyse bereits etabliert ist, fehlt es bislang an validierten Methoden, die unterschiedliche Datenquellen integrieren und spezifisch das Ansprechen auf Immuntherapien vorhersagen können. Eine aktuelle, im Journal of Medical Systems veröffentlichte Studie untersuchte den Einsatz großer Sprachmodelle (LLMs) zur Prognose bei inoperablem HCC und verglich deren Leistung mit der Beurteilung durch Radiologen und Onkologen.
Strategien und Datengrundlage der Modellbewertung
Die retrospektive Studie umfasste Daten von 186 Patienten mit inoperablem Leberzellkarzinom. Neben klinischen Parametern flossen CT-Bilddaten in die Analyse ein. Die Leistungsfähigkeit der LLMs (GPT-4, GPT-4o und Gemini) wurde ohne spezifisches Training auf HCC-Daten („Zero-Shot“) untersucht.
Zur Steigerung der Sensitivität setzten die Autoren auf zwei Ansätze: eine Mehrheitsentscheidung („Voting Method“) und eine logische ODER-Verknüpfungbei der bereits ein einziges positives Modellurteil für ein positives Gesamtergebnis ausreicht. Außerdem entwickelten sie das kombinierte Modell „Gemini-GPT“, das GPT-4, GPT-4o und Gemini integriert.
Ergebnisse im Vergleich zu klinischen Experten
Die Analyse zeigte unterschiedliche Ergebnisse zwischen den einzelnen Modellen und Entscheidungsstrategien:
- GPT-4o erreichte mit der ODER-Verknüpfung eine Genauigkeit von 65 % und eine Sensitivität von 47 %. Diese Werte lagen im Bereich der Ergebnisse von Ärzten mit mittlerer Erfahrung, jedoch signifikant unter den Werten der Senior-Kollegen (Genauigkeit 72 %, p = 0,045; Sensitivität 70 %, p < 0,0001).
- Das Gemini-GPT-Modell erzielte eine AUC von 0,69, ohne signifikanten Unterschied zur Senior-Gruppe (AUC 0,72, p = 0,35). Die Genauigkeit betrug 68 % und entsprach deren Niveau (p = 0,78), übertraf jedoch die Ergebnisse von Junior- und Midlevel-Ärzten. Die Sensitivität von Gemini-GPT (58 %) war hingegen signifikant niedriger (p = 0,0097).
- Die Inter-Model-Übereinstimmung lag mit κ-Werten zwischen 0,59 und 0,70 über der Interrater-Übereinstimmung, insbesondere im Vergleich zur Junior-Gruppe (κ = 0,15).
Einordnung der Ergebnisse und Ausblick auf die klinische Anwendung
Die Studie liefert wichtige Daten zur potenziellen Rolle künstlicher Intelligenz in der personalisierten Onkologie. Insbesondere das Gemini-GPT-Modell erreichte eine Genauigkeit, die mit derjenigen erfahrener Onkologen und Radiologen vergleichbar ist, und zeigte eine hohe Konsistenz der Vorhersagen. Die beobachtete Modell-zu-Modell-Übereinstimmung übertraf die Variabilität zwischen menschlichen Beurteilern, was auf einen möglichen Wert zur Standardisierung von Prognosebewertungen hinweist.
Allerdings bleibt die Sensitivität im Vergleich zu erfahrenen Kollegen eingeschränkt, weshalb eine Verbesserung der Erkennungsraten für Patienten, die von einer Immuntherapie profitieren könnten, erforderlich ist. Prospektive Studien sind notwendig, um diese Ansätze weiter zu validieren und ihre Integration in die klinische Praxis zu ermöglichen.
