Das kleinzellige Lungenkarzinom (SCLC) ist durch rasches Tumorwachstum, frühe Metastasierung und eine insgesamt ungünstige Prognose gekennzeichnet. Ein Großteil der Patienten wird erst im fortgeschrittenen Stadium diagnostiziert, mit einer medianen Überlebenszeit von etwa einem Jahr bei extensiver Erkrankung. Standardtherapien umfassen platinbasierte Chemotherapie, häufig in Kombination mit Immuntherapie.
Trotz therapeutischer Fortschritte fehlen bislang verlässliche Biomarker, die ein individuelles Therapieansprechen vorhersagen können. Vor diesem Hintergrund gewinnt die Analyse der Tumormikroumgebung zunehmend an Bedeutung. Eine aktuelle, in 'npj Precision Oncology' veröffentlichte Studie aus den USA untersuchte nun den Einsatz einer KI-basierten Gewebeanalyse zur Prognoseabschätzung beim SCLC.
KI-Tool analysiert räumliche Interaktion von Tumor- und Immunzellen
Ziel der Studie war die Entwicklung und Validierung eines computergestützten Pathologie-Tools (PhenopyCell), das die räumliche Organisation von Tumor- und Immunzellen auf Standard-H&E-Schnitten quantifiziert.
In einer retrospektiven Analyse wurden Gewebeproben von 281 Patienten mit SCLC ausgewertet, die zwischen 2010 und 2020 eine platinbasierte Chemotherapie erhalten hatten. Die Kohorte umfasste sowohl Patienten mit limitiertem als auch mit extensivem Krankheitsstadium.
Das System extrahierte insgesamt 101 Merkmale, darunter Parameter zur Immunzellverteilung, Tumorzelldichte und räumlichen Interaktion beider Zellpopulationen. Diese Merkmale wurden mit klinischen Endpunkten wie Gesamtüberleben und Therapieansprechen korreliert und in Trainings- und Validierungskohorten geprüft.
Räumliche Immunarchitektur korreliert mit Überleben und Therapieansprechen
Die Analyse zeigte eine Assoziation zwischen den vom Tool identifizierten Merkmalen und dem Gesamtüberleben. In den verschiedenen Datensätzen ergaben sich Hazard Ratios (HR) von 1,66 (p = 0,036), 1,98 (p = 0,04) und 2,13 (p = 0,04).
Auch in Subgruppenanalysen blieb der prognostische Zusammenhang bestehen, sowohl im limitierten als auch im extensiven Stadium. Dabei berichteten die Autoren insbesondere in einzelnen Subgruppen deutlich erhöhte Hazard Ratios.
Darüber hinaus konnte das Modell das Ansprechen auf platinbasierte Chemotherapie vorhersagen, mit AUC-Werten zwischen 0,62 und 0,79. Die prädiktive Leistung übertraf dabei die konventionelle histopathologische Bewertung, insbesondere die visuelle Quantifizierung tumorinfiltrierender Lymphozyten.
Charakteristisch für Patienten mit günstiger Prognose war eine dichtere und homogener organisierte Immunzellinfiltration in unmittelbarer Nähe zu Tumorzellclustern. Ungünstige Verläufe waren hingegen mit geringer Immunzelldichte und heterogener Zellverteilung assoziiert.
Interpretierbare KI-Modelle liefern biologisch nachvollziehbare Parameter
Der Ansatz zeichnet sich durch die Verwendung biologisch interpretierbarer Parameter aus. Im Gegensatz zu vielen „Black-Box“-Modellen basiert die Analyse auf nachvollziehbaren zellulären und räumlichen Eigenschaften.
Die Untersuchung zeigte zudem, dass konventionelle bildbasierte Verfahren und etablierte Bewertungsmethoden die komplexen Interaktionen innerhalb der Tumormikroumgebung nur unzureichend erfassen. Insbesondere diskrepante Verläufe zwischen radiologischem Ansprechen und klinischer Progression könnten durch Unterschiede in der Immunarchitektur erklärt werden, so die Autoren.
Perspektiven für personalisierte Therapieansätze
Die vorliegenden Daten weisen darauf hin, dass eine KI-gestützte Analyse der Tumormikroumgebung auf Routine-Gewebeschnitten prognostisch relevante Informationen liefern kann. Da keine zusätzlichen Biopsien erforderlich sind, könnte der Ansatz prinzipiell in bestehende diagnostische Abläufe integriert werden.
Aufgrund des retrospektiven Designs und der begrenzten Patientenzahl sind weitere prospektive Studien erforderlich, insbesondere in Kollektiven mit kombinierter Chemoimmuntherapie. Auch die Integration molekularer Daten könnte zur weiteren Validierung und Verbesserung der Risikostratifizierung beitragen.
