Duktales Carcinoma in situ (DCIS) ist ein präinvasiver Tumortyp, der sich manchmal zu einer tödlichen Kind von Brustkrebs entwickelt. Er ist für etwa 25 Prozent aller Brustkrebsdiagnosen verantwortlich.
Da es für Ärzte schwierig ist, den Typ und das Stadium von DCIS zu bestimmen, werden Patientinnen mit DCIS häufig überbehandelt. Um dieses Downside zu lösen, entwickelte ein interdisziplinäres Forscherteam des MIT und der ETH Zürich ein KI-Modell, das die verschiedenen Stadien von DCIS anhand eines kostengünstigen und leicht erhältlichen Brustgewebebildes identifizieren kann. Ihr Modell zeigt, dass sowohl der Zustand als auch die Anordnung der Zellen in einer Gewebeprobe wichtig sind, um das Stadium von DCIS zu bestimmen.
Da solche Gewebebilder so einfach zu erhalten sind, konnten die Forscher einen der größten Datensätze seiner Artwork erstellen, den sie zum Trainieren und Testen ihres Modells verwendeten. Als sie die Vorhersagen mit den Schlussfolgerungen eines Pathologen verglichen, stellten sie in vielen Fällen klare Übereinstimmungen fest.
In Zukunft könnte das Modell als Hilfsmittel eingesetzt werden, um Klinikern die Diagnose einfacherer Fälle zu erleichtern, ohne dass arbeitsintensive Checks erforderlich wären. So bliebe ihnen mehr Zeit für die Beurteilung von Fällen, bei denen weniger klar ist, ob DCIS invasiv wird.
„Wir haben den ersten Schritt getan, um zu verstehen, dass wir bei der Diagnose von DCIS die räumliche Anordnung der Zellen betrachten sollten, und jetzt haben wir eine skalierbare Technik entwickelt. Von hier aus brauchen wir wirklich eine prospektive Studie. Die Zusammenarbeit mit einem Krankenhaus und die Überführung dieser Studie in die Klinik wird ein wichtiger Schritt nach vorne sein“, sagt Caroline Uhler, Professorin am Division of Electrical Engineering and Pc Science (EECS) und am Institute for Information, Methods, and Society (IDSS), die auch Direktorin des Eric and Wendy Schmidt Middle am Broad Institute of MIT and Harvard und Forscherin am Laboratory for Data and Resolution Methods (LIDS) des MIT ist.
Uhler, Co-Autor eines Artikels zu dieser Forschung, wird von der Hauptautorin Xinyi Zhang unterstützt, einer Doktorandin am EECS und am Eric and Wendy Schmidt Middle; dem Co-Autor GV Shivashankar, Professor für Mechogenomik an der ETH Zürich gemeinsam mit dem Paul Scherrer Institut; und weiteren Personen am MIT, der ETH Zürich und der Universität Palermo in Italien. Die frei zugängliche Forschung wurde veröffentlicht am 20. Juli in Naturkommunikation.
Bildgebung mit KI kombinieren
Bei 30 bis 50 Prozent der Patienten mit DCIS entwickelt sich ein hochinvasives Krebsstadium, doch den Forschern fehlen die Biomarker, die einem Kliniker mitteilen könnten, welche Tumore fortschreiten werden.
Forscher können Techniken wie Multiplexfärbung oder Einzelzell-RNA-Sequenzierung verwenden, um das Stadium von DCIS in Gewebeproben zu bestimmen. Diese Checks sind jedoch zu teuer, um sie in großem Umfang durchzuführen, erklärt Shivashankar.
In früheren Arbeiten zeigten diese Forscher, dass eine kostengünstige Bildgebungstechnik namens Chromatinfärbung ebenso aufschlussreich sein kann wie die wesentlich kostspieligere Einzelzell-RNA-Sequenzierung.
Für diese Forschung stellten sie die Hypothese auf, dass die Kombination dieser einzelnen Färbung mit einem sorgfältig entwickelten Modell des maschinellen Lernens dieselben Informationen über das Krebsstadium liefern könnte wie kostspieligere Techniken.
Zunächst erstellten sie einen Datensatz mit 560 Gewebeprobenbildern von 122 Patienten in drei verschiedenen Krankheitsstadien. Mit diesem Datensatz trainierten sie ein KI-Modell, das eine Darstellung des Zustands jeder Zelle in einem Gewebeprobenbild lernt, um daraus auf das Krebsstadium eines Patienten zu schließen.
Da jedoch nicht jede Zelle auf Krebs hinweist, mussten die Forscher sie auf sinnvolle Weise aggregieren.
Sie entwickelten das Modell, um Cluster von Zellen in ähnlichen Zuständen zu erstellen, und identifizierten acht Zustände, die wichtige Marker für DCIS sind. Einige Zellzustände weisen eher auf invasiven Krebs hin als andere. Das Modell bestimmt den Anteil der Zellen in jedem Zustand in einer Gewebeprobe.
Die Organisation ist wichtig
„Bei Krebs verändert sich jedoch auch die Organisation der Zellen. Wir haben festgestellt, dass es nicht ausreicht, nur die Proportionen der Zellen in jedem Zustand zu kennen. Man muss auch verstehen, wie die Zellen organisiert sind“, sagt Shivashankar.
Mit dieser Erkenntnis entwarfen sie das Modell so, dass es Proportionen und Anordnung der Zellzustände berücksichtigte, was die Genauigkeit deutlich steigerte.
„Für uns struggle es interessant zu sehen, wie wichtig die räumliche Organisation ist. Frühere Studien hatten gezeigt, dass Zellen, die sich in der Nähe des Brustgangs befinden, wichtig sind. Aber es ist auch wichtig zu berücksichtigen, welche Zellen sich in der Nähe welcher anderen Zellen befinden“, sagt Zhang.
Als sie die Ergebnisse ihres Modells mit von einem Pathologen untersuchten Proben verglichen, ergaben sie in vielen Fällen klare Übereinstimmung. In weniger eindeutigen Fällen konnte das Modell Informationen über Merkmale einer Gewebeprobe, wie etwa die Anordnung der Zellen, liefern, die ein Pathologe bei seiner Entscheidungsfindung verwenden konnte.
Dieses vielseitige Modell könnte auch für die Anwendung bei anderen Krebsarten oder sogar neurodegenerativen Erkrankungen angepasst werden – ein Bereich, den die Forscher derzeit ebenfalls untersuchen.
„Wir haben gezeigt, dass diese einfache Färbung mit den richtigen KI-Techniken sehr wirkungsvoll sein kann. Es gibt noch viel mehr Forschungsarbeit zu leisten, aber wir müssen die Organisation der Zellen in weiteren unserer Studien berücksichtigen“, sagt Uhler.
Diese Forschung wurde zum Teil vom Eric and Wendy Schmidt Middle am Broad Institute, der ETH Zürich, dem Paul Scherrer Institut, dem Schweizerischen Nationalfonds, den US Nationwide Institutes of Well being, dem US Workplace of Naval Analysis, der MIT Jameel Clinic for Machine Studying and Well being, dem MIT-IBM Watson AI Lab und einem Simons Investigator Award finanziert.