Bei der Behandlung von Gebärmutterkrebs ist die Vorhersage von Fernrezidiven – Krebsablegern an anderen Stellen im Körper – entscheidend. Bisherige Methoden, die pathologische und molekulare Profile kombinieren, sind jedoch teuer und schwer umzusetzen.
Viktor Kölzer vom Institut für Pathologie und Molekularpathologie hat zusammen mit einem internationalen Forscherteam ein neues, multimodales Deep-Learning-Prognosemodell (HECTOR) entwickelt und getestet. Es kann basierend auf histopathologischen Bildern und dem Tumorstadium das Risiko für Fernzrezidive berechnen. Die Resultate wurden kürzlich in Nature Medicine vorgestellt
Präzise Risikoeinschätzung und Therapieplanung
Bei 2072 Patientinnen mit Gebärmutterkrebs wurde HECTOR eingesetzt. Dabei hat sich herausgestellt, dass das System mit über 80 prozentiger Genauigkeit vorhersagen kann, ob die betroffenen Frauen Ableger entwickeln werden oder nicht. Damit übertrifft das System die aktuellen Standardmethoden. Besonders bemerkenswert ist, dass HECTOR Patientinnen in verschiedene Risikogruppen einteilen kann. Zudem kann das System den Nutzen einer unterstützenden Chemotherapie besser vorhersagen als bisherige Methoden.
Das Deep-Learning-Prognosemodell übertrifft ganz klar die bisherigen Standardmethoden und hat das Potenzial, die personalisierte Behandlung von Gebärmutterkrebs erheblich voranzubringen.
Zur Studie
