Forschung
Basler Forschende entwickeln eine KI, um Gebärmutterkrebs festzustellen
Das Unispital Basel setzt auf ein Deep-Learning-Modell, um Gebärmutterkrebs-Risiken präzise vorherzusagen. Es könnte personalisierte Medizin revolutionieren und unnötige Therapien vermeiden, sagen die Forschenden.
Sa, 15. Feb 2025, 6:00 Uhr
Basel
Wir benötigen Ihre Zustimmung um BotTalk anzuzeigen
Unter Umständen sammelt BotTalk personenbezogene Daten für eigene Zwecke und verarbeitet diese in einem Land mit nach EU-Standards nicht ausreichenden Datenschutzniveau.
Durch Klick auf "Akzeptieren" geben Sie Ihre Einwilligung für die Datenübermittlung, die Sie jederzeit über Cookie-Einstellungen widerrufen können.
AkzeptierenMehr Informationen
Gebärmutterkrebs ist die häufigste Krebserkrankung der weiblichen Geschlechtsorgane in Industrieländern. Darauf verweist das Unispital Basel in einer Mitteilung. Die meisten Frauen mit lokalisierter Erkrankung können demnach durch eine Operation geheilt werden. Dennoch könne bei 10 bis 20 Prozent der Frauen der Krebs an einem anderen Ort wieder auftreten – man nennt dies Fernrezidiv. In der Regel sei es unheilbar. Um dieses Risiko zu senken, könne eine zusätzliche Chemotherapie oder Radiotherapie eingesetzt werden, die jedoch wesentliche Nebenwirkungen verursachen könne.
Das Rückfallrisiko von Gebärmutterkrebs und die Streuung in entfernte Organe vorherzusagen, ist entscheidend für eine erfolgreiche Nachbehandlung, so die Mitteilung weiter. Aktuelle Behandlungsempfehlungen stützten sich auf verschiedene Risikofaktoren, darunter der Tumortyp, das Krankheitsstadium und bestimmte molekulare Eigenschaften des Krebses. Die Bewertung dieser Faktoren sei jedoch kompliziert, zeitaufwendig und kostspielig. Moderne Deep-Learning-Modelle zeigten in Vergleich zu traditionellen Methoden großes Potenzial, um Krebsmerkmale besser zu erkennen und Prognosen zu erstellen. Besonders vielversprechend seien KI-Systeme, die Gewebebilder von Tumoren analysieren und dabei präzise Rückschlüsse auf molekulare Veränderungen oder das Rückfallrisiko erlauben.
Daten von mehr als 1000 Patientinnen
Professor Viktor Kölzer, Co-Chefarzt der Pathologie des Universitätsspitals Basel hat in Kollaboration mit einem internationalen Forschungsteam des Leiden University Medical Center um Professor Tjalling Bosse ein Deep-Learning-Modell trainiert. Es könne bei Patientinnen mit Gebärmutterkrebs allein anhand von Tumorgewebeproben und Tumorstadium das Risiko eines postoperativen Fernrezidivs voraussagen. Das neue Modell HECTOR sei anhand von Datensätzen von mehr als 1000 Patientinnen trainiert worden. Es teile Patientinnen in Risiko-Gruppen ein: niedrig, mittel und hoch. Dabei habe es für Patientinnen der Niedrigrisikogruppe eine Rückfallwahrscheinlichkeit von unter drei Prozent über einen Zeitraum von zehn Jahren feststellen können, während die Wahrscheinlichkeit bei Hochrisikopatientinnen bei mehr als 40 Prozent lag.
Mit diesen präzisen Vorhersagen könnte HECTOR in Zukunft dabei helfen, gezieltere Behandlungsentscheidungen zu treffen und unnötige belastende Therapien zu vermeiden, schreibt das Unispital. Zudem sei das ein großer Schritt in Richtung personalisierter Medizin und könnte einen positiven Effekt auf die Gesundheitskosten haben.
