In den letzten Jahren wurden immer mehr Einflussfaktoren für das Risiko, an Brustkrebs zu erkranken identifiziert. Es gibt weltweit Bemühungen, mit Hilfe von künstlicher Intelligenz eine automatisierte Risikoprädiktion zu entwickeln, bei der die verschiedenen Faktoren zu einem Gesamtrisiko integriert werden. Finnische Forscher um Hamid Bahravan haben dazu einen Machine-Learning -Ansatz untersucht [1].
Mit SNPs und demographischen Faktoren zum Brustkrebsrisiko
Die Wissenschaftler nutzten für ihre Prädiktion des Brustkrebsrisikos eine Kombination von Netzwerken interagierender Genvarianten (engl. Single Nuclotid Polymorphisms, SNPs). Diese sowie demographische Risikofaktoren für Brustkrebs, vor allem Faktoren, die mit einer familiären Häufung von Erkrankungen (Gruppe 1) und dem Östrogenmetabolismus (Gruppe 2) zusammenhängen, hatten sie in früheren Arbeiten identifiziert. Dabei wurden die Faktoren nicht additiv ausgewertet, sondern ihre Interaktion miteinander untersucht. Ziel war, die Kombinationen zu identifizieren, die mit einer höheren Genauigkeit das Brustkrebsrisiko vorhersagen können als bisherige Modelle.
Berücksichtigte demographische Brustkrebs-Risikofaktoren
Brustkrebs-Risikofaktoren im Zusammenhang einer familiären Häufung waren:
- Krebserkrankungen in der Familie insgesamt
- Art der Krebserkrankungen in der Familie
- Krebs bei erstgradigen Verwandten
- Brustkrebs in der Familie
- Zahl der erstgradien Verwandten mit Burstkrebs
- Lateralität der Brustkrebserkrankungen in der Familie
Risikofaktoren des Östrogenmetabolismus umfassten
- Einnahme oraler Kontrazeptiva (ja/nein)
- Dauer der Einnahme oraler Kontrazeptiva
- Menopausalstatus
- Stillanamnese (ja/nein)
- Schwangerschaft (ja/nein)
- Dauer einer Hormonersatztherapie
- Länge des Menstruationszyklus
- Dauer etwaiger Schwangerschaften
- Body Mass Index.
Datenbasis für das Machine Learning
Zur Evaluation des Machine-Learning-Modells nutzen die Wissenschaftler Daten des finnischen Kuopio Breast Cancer Project (KBCP), das sowohl genetische als auch demographische Faktoren bei 445 Brustkrebspatientinnen und 250 Kontrollen erfasst hatte. Die Kontrollen waren so selektiert worden, dass sie hinsichtlich Alter und langjährigem Wohnort vergleichbar mit den Brustkrebspatienten waren. Die Genotypisierung hatte über 211.000 SNPs erfasst.
Prädiktion des Brustkrebsrisikos verbessert
Es zeigte sich, dass mit Integration der genannten demographischen Faktoren und der Geninteraktion die höchste Präzision der Vorhersage des Brustkrebsrisikos erreicht werden konnte – höher als mit den Geninteraktionen alleine oder nur mit einer Kategorie von demographischen Variablen. Die Ergebnisse verweisen zudem auf eine besondere Bedeutung des Östrogen-assoziierten ESR1-Netzwerks und außerdem auch dem FGFR2-Gen hin, einer der wichtigsten genetischen Suszeptibilitäts-Loci beim nicht erblichen Brustkrebs. Auch für Angiogenese und Apoptose relevante Netzwerke wurden als relevant identifiziert.
Perspektiven des Machine Learning Ansatz
Die Wissenschaftler wollen nun ihre Ergebnisse an einem größeren Datensatz aus der Biobank von Ostfinnland validieren. Schon jetzt glauben sie aber, mit ihrem Ansatz eine Basis für eine bessere Identifizierung von Menschen mit hohem Brustkrebsrisiko gelegt zu haben, die von einem intensivierten und technisch aufwändigeren Brustkrebsscreening profitieren könnten und das Screnning damit effektiver zu machen. Zudem gehen sie davon aus, dass der Machine-Learning-Ansatz auch auf andere multifaktorielle Erkrankungen übertragen werden kann.
