Karzinome unbekannter Herkunft (CUP) sind Malignome, die histopathologisch als Metastasen diagnostiziert werden, deren Ursprung aber mit den üblichen diagnostischen Methoden nicht bestimmt werden kann. Viele Patienten mit neu diagnostiziertem CUP weisen Pleura- oder Peritonealmetastasen auf und haben trotz kombinierter Chemotherapien eine meist ungünstige Prognose. Die Immunhistochemie sagt den wahrscheinlichsten Ursprung des Tumors voraus; allerdings können nur wenige Fälle mit Hilfe von Immunfärbecocktails lokalisiert werden. Die genaue Identifizierung der Primärherde ist jedoch entscheidend für eine erfolgreiche und maßgeschneiderte Therapie.
In einer kürzlich in 'Nature Medicine' veröffentlichten Studie hat ein Forscherteam aus China einen Deep-Learning-Algorithmus zur Unterscheidung der Tumorherkunft mithilfe zytologischer Histologie (TORCH) entwickelt. TORCH identifizierte benigne und maligne Läsionen und sagte den Tumorursprung von Metastasen in Hydrothorax und Aszites vorher.
Künstliche Intelligenz findet Tumorursprung
Die zytologische Untersuchung durch peritoneale oder pleurale Feinnadelpunktion wird als Schlüsselmethode bei der Diagnose von thorakoabdominalen Metastasen eingesetzt. Pathologen können anhand zytologischer Abstriche visuell ein Adenokarzinom von einem Plattenepithelkarzinom unterscheiden, jedoch nicht den Ursprung der Tumorzellen benennen. Die computergestützte Analyse auf Basis konvolutionaler neuronaler Netze wird in jüngster Zeit zunehmend als Hilfstechnik im diagnostischen Bereich eingesetzt. Künstliche Intelligenz (KI) zeigte dabei potenzielle Vorteile als diagnostisches Hilfsmittel für die Vorhersage des CUP-Ursprungs.
In der vorliegenden Studie trainierten die Forschenden ihren Algorithmus mit vier unabhängigen Deep-Neural-Networks, die kombiniert wurden, um zwölf verschiedene Modelle zu erstellen. Anhand zytologischer Bilder entwickelten sie ein KI-basiertes Diagnosemodell zur Einschätzung des Tumorursprungs bei Personen mit Malignomen und Pleura- oder Peritonealmetastasen.
Trainingsdaten von mehr als 76.000 Krebspatienten
Das Studienteam sammelte von Juni 2010 bis Oktober 2023 Material aus 90.572 zytologischen Abstrichbildern von 76.183 Krebspatienten aus vier großen chinesischen Kliniken (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute and Hospital, Yantai Yuhuangding Hospital und Suzhou University First Hospital) als Trainingsdaten. Atemwegserkrankungen machten den höchsten Prozentsatz (30%, 17.058 Patienten) der malignen Erkrankungen aus. Bei 57% der Fälle von Aszites und Pleuraerguss wurden Karzinome diagnostiziert, wobei Adenokarzinome die häufigste Gruppe waren (47%, 27.006 Patienten). Nur 0,6% der Plattenepithelkarzinome metastasierten in Aszites oder Hydrothorax (n=346).
TORCH verbessert Vorhersageeffizienz deutlich
Die Forschenden verglichen die Leistung von TORCH mit früheren manuellen Interpretationsergebnissen von jungen und erfahrenen Pathologen. Das KI-Modell erzielte insgesamt einen mikrogemittelten AUROC-Wert (Area-Under-the-Curve) von 0,97, mit einer Top-1-Genauigkeit von 83%, einer Top-2-Genauigkeit von 96% und einer Top-3-Genauigkeit von 99%. Im Vergleich zu Pathologen verbesserte TORCH die Vorhersageeffizienz (1,677 gegenüber 1,265, p<0,001) und steigerte insbesondere die Diagnoseergebnisse junger Kolleginnen und Kollegen (1,326 gegenüber 1,101, p<0,001).
Des Weiteren ergab die Studie, dass Patienten mit CUP, deren erster Behandlungsansatz mit dem von TORCH geschätzten Ursprungsort des Tumors übereinstimmte, ein besseres Gesamtüberleben aufwiesen als diejenigen, die eine diskordante Therapie erhielten (27 gegenüber 17 Monaten, p=0,006). Somit könnte das TORCH-Modell dazu beitragen, die Therapieentscheidungen zu verbessern und die Überlebenschancen von Krebspatienten zu erhöhen.
Die Studie unterstreicht das Potenzial von TORCH als wertvolles Hilfsinstrument in der klinischen Praxis, wenngleich eine weitere Validierung in randomisierten Studien erforderlich ist, so die Autorengruppe aus China.
