Neue Chancen gegen Brustkrebs

Jedes Jahr erkranken in Deutschland etwa 70.000 Frauen an Brustkrebs. Fast jede achte Frau ist irgendwann davon betroffen, ein Drittel ist dann jünger als 55 Jahre. Noch immer versuchen Forscher erfolgreiche Therapien zur Heilung dieser Krankheit zu entwickeln. Eine dieser Methoden ist die neoadjuvante Therapie. Dabei wird die Patientin bereits vor der Operation behandelt, um den Tumor zu verkleinern und die Ausgangssituation für eine Operation zu verbessern oder brusterhaltend operieren zu können. Nach Abschluss der Therapie wird der geschrumpfte Tumor entfernt. Die Behandlung war erfolgreich, wenn in den Gewebeproben aus der Brust und den Lymphknoten keine Tumorzellen mehr nachweisbar sind. Man spricht dann von einer pathologischen Komplettremission (pCR).

Brustkrebs ist jedoch eine heterogene Erkrankung, die sich bei den Patientinnen unterschiedlich äußert. Entsprechend uneinheitlich sind auch die Behandlungsergebnisse, und nicht in jedem Fall zeigt die Therapie den gewünschten Erfolg. Im Brustkrebsnetzwerk des Leibniz KI Labors wollen Wissenschaftler des L3S und der Medizinischen Hochschule Hannover (MHH) herausfinden, welche Faktoren für den Erfolg der Therapie entscheidend sind.

Die Forscher haben zunächst gemeinsam Patientendaten untersucht und Merkmale herausgestellt, die helfen könnten, das Therapieergebnis einer Patientin vorherzusagen. Nach Bereinigung und Aufbereitung des Datensatzes liegen bisher Daten von 260 Patientinnen mit jeweils 16 relevanten Variablen vor, darunter mutierte Gene, Tumorgröße und Anzahl der befallenen Lymphknoten.

Die L3S-Wissenschaftler Can Aykul und Wadhah Zai El Amri befassen sich im Projekt mit Verfahren der künstlichen Intelligenz. Sie wenden Klassifikationsmethoden wie Entscheidungsbäume und andere komplexe Algorithmen an, um den Wert der pathologischen Komplettremission vorherzusagen. „Mit dem aktuellen Datensatz erreichen wir eine Genauigkeit von etwa 75 Prozent“, sagt Zai El Amri. „Außerdem werden die Daten als Graph modelliert, um sie in einen Wissensgraphen zu übertragen.“ Dadurch seien die Daten miteinander verbunden und statistisch zusammenhängende Phänomene leichter erkennbar. Durch die Kombination des Graphenmodells mit den Klassifikationsmethoden kann die Genauigkeit der Vorhersage weiter erhöht werden.

Derzeit sind die Forscher dabei, die kausalen Zusammenhänge zwischen den Variablen aufzudecken. Auch mithilfe der Kausalforschung wollen sie verstehen, warum einige Patientinnen von einer neoadjuvanten Therapie profitieren und andere nicht. Am Ende soll das KI-System dazu beitragen, für jede Patientin die passende Krebstherapie zu finden.