Cancer ResearchForschungsarbeitOpen Access

KI-Modelle sagen das Ansprechen auf eine Krebsimmuntherapie besser voraus als PD-L1, doch nur wenige sind an Patienten validiert

Ein narratives Review kommt zu dem Ergebnis, dass multimodale KI in retrospektiven Arbeiten einzelne Biomarker übertrifft, prospektive Validierungen jedoch selten sind und die Leistung bei externer Validierung häufig nachlässt.

Freitag, 20. November 2026 0 Aufrufe
Veröffentlicht in J Egypt Natl Canc Inst
oncologist reviewing a lung CT scan and digital pathology slide on dual monitors in a hospital reading room

Zusammenfassung

Die Immuntherapie hilft manchen Krebspatienten über Jahre, während andere kaum profitieren. Gängige Standardtests wie PD-L1, Tumormutationslast und Mikrosatelliteninstabilität sagen diesen Unterschied nur teilweise voraus. Diese narrative Übersichtsarbeit gibt einen Überblick über Modelle der künstlichen Intelligenz, die genetische Daten, CT-/MRT-/PET-Bildgebung, digitale Pathologie-Schnitte, Blutmarker und klinische Angaben zu zusammengesetzten Prädiktoren kombinieren. Mehrere retrospektive Studien berichten von AUC-Werten von 0,8 oder höher, und KI wird zudem bei der Patientenauswahl für CAR-T-Therapien und bei der Vorhersage von Toxizität eingesetzt. Die Autoren betonen, dass prospektive, multizentrische Validierungen selten sind, dass externe Tests häufig eine schlechtere Leistung zeigen und dass viele Modelle intransparent sind. Derzeit sind diese Werkzeuge Hilfsmittel für die Forschung und keine bewährten Entscheidungsinstrumente. Zu den wichtigsten Hürden zählen Datenstandardisierung, Verzerrungen (Bias), Transparenz und Regulierung.

Detaillierte Zusammenfassung

Immun-Checkpoint-Inhibitoren und Zelltherapien haben die Onkologie verändert, doch Ärztinnen und Ärzte können bislang nicht zuverlässig vorhersagen, wer darauf anspricht. Diese narrative Übersichtsarbeit stützt sich auf PubMed, Google Scholar und Studienregister bis Anfang 2025 und fragt, ob künstliche Intelligenz diese Lücke schließen kann, indem sie das Ansprechen vorhersagt und die Behandlung bei soliden Tumoren und Blutkrebserkrankungen individualisiert.

Zunächst beschreiben die Autoren, warum die derzeitigen Marker nicht ausreichen. PD-L1 und die Tumormutationslast variieren je nach Krebsart, Testverfahren und Grenzwerte unterscheiden sich zwischen den Laboren, und eine einzelne Biopsie kann weder die Heterogenität innerhalb eines Tumors noch Veränderungen im Zeitverlauf erfassen. Die Mikrosatelliteninstabilität ist ein guter Prädiktor, findet sich aber nur in etwa 5 % der Tumoren. Keiner dieser Marker sagt immunvermittelte Toxizität zuverlässig voraus. Die Tumormikroumgebung mit ihren unterdrückenden Immunzellen, der dichten Matrix und den abnormen Blutgefäßen erhöht die Komplexität zusätzlich.

Das zentrale Argument lautet, dass die Kombination verschiedener Datentypen jedem einzelnen Marker überlegen ist. Die Übersichtsarbeit behandelt Genomik und Transkriptomik (einschließlich neuronaler Netze, die die Neoantigen-Bindung vorhersagen), Radiomics aus CT, MRT und PET, digitale Pathologie anhand von Ganzschnittbildern, räumliche und Einzelzell-Omics sowie zirkulierende Tumor-DNA. Berichtet werden unter anderem eine AUC von etwa 0,80 für das multimodale Modell deepAFM, 0,83 für die Vorhersage des PD-L1-Status aus Bildgebungsdaten beim NSCLC, etwa 0,92 für die PD-L1-Expression aus Brustkrebs-Pathologiedaten und 0,838 für räumliche Multi-Omics beim NSCLC. Eine radiopathomische Signatur beim Magenkarzinom erreichte in den Validierungskohorten AUC-Werte von 0,978 bis 0,822 und wurde mit der Infiltration von Gedächtnis-B-Zellen in Verbindung gebracht.

Tumorspezifische Anwendungen umfassen die Entdeckung von Neoantigenen für Impfstoffe beim Melanom, maschinelles Lernen auf Real-World-Daten beim NSCLC unter Verwendung des Neutrophilen-Lymphozyten-Verhältnisses, des Leistungsstatus und von PD-L1 sowie ein Bildgebungswerkzeug von Onc.AI, das von der FDA die Breakthrough-Device-Designation für die Risikostratifizierung erhielt. KI wird zudem eingesetzt, um Patienten für CAR-T-Therapien auszuwählen, die Herstellung zu optimieren und Zytokinfreisetzungssyndrom sowie Neurotoxizität vorherzusehen. Zu den neuen Ansätzen zählen föderiertes Lernen, Foundation-Modelle, digitale Zwillinge und die Überwachung mit Wearables.

Der Evidenzgrad ist entscheidend. Es handelt sich überwiegend um retrospektive Ergebnisse der Modellentwicklung an einzelnen Zentren, und die Autoren stellen fest, dass sich die Leistung bei externer Validierung häufig verschlechtert. Modelle für gastrointestinale Tumoren werden oft nicht extern validiert, und die Datensätze sind heterogen. Datenstandardisierung, Verzerrungen (Bias), begrenzte Reproduzierbarkeit, mangelhafte longitudinale Validierung und fehlende Erklärbarkeit bleiben Hindernisse für das Vertrauen der Ärzteschaft und die behördliche Zulassung.

Die Schlussfolgerung: Multimodale KI ist ein vielversprechender Fortschritt bei der Erfassung von Mechanismen und bei der Vorhersage, es wurde jedoch nicht gezeigt, dass sie die Behandlungsergebnisse der Patienten verbessert. Die Autoren fordern prospektive multizentrische Studien, transparente Berichterstattung, erklärbare Modelle und stärkere regulatorische Rahmenbedingungen, bevor KI von einem retrospektiven Forschungswerkzeug zu einer routinemäßigen klinischen Entscheidungshilfe wird. Da es sich um eine narrative Übersichtsarbeit ohne systematische Qualitätsbewertung handelt, sollten die genannten Leistungswerte als Beispiele und nicht als gepoolte Schätzwerte verstanden werden.

Wichtigste Erkenntnisse

  • Multimodal deep learning (deepAFM) combining histopathology, genomics, radiomics and clinical data reported AUC up to about 0.80 for immunotherapy response (retrospective).
  • Gastric cancer radiopathomics signature (H&E slides plus CT, seven ML models) reached AUCs of 0.978 to 0.822 across validation cohorts and tracked memory B-cell infiltration.
  • Imaging-based AI predicted PD-L1 status in NSCLC with AUC 0.83; pathology AI predicted PD-L1 expression in breast cancer with AUC about 0.92.
  • NSCLC spatial multi-omics model reached AUC 0.838, but the review notes external validation often shows performance deterioration.
  • Conventional markers are limited: MSI-H is a strong pan-cancer predictor but prevalence is only about 5%, while PD-L1 and TMB lack standardized cutoffs and are partial predictors.
  • Onc.AI's Serial CTRS imaging tool received FDA breakthrough device designation for NSCLC risk stratification, which is a designation, not proof of outcome benefit.
  • Prospective, multicenter validation is scarce, and many GI cancer models lack external validation; no outcome-improvement trial results are reported.

Methodik

Dies ist ein narratives Review, weder ein systematisches Review noch eine Metaanalyse. Die Literatursuche erfolgte bis Anfang 2025 in PubMed, Google Scholar und Studienregistern mit Suchbegriffen zu KI, Immuntherapie, Biomarkern, Tumormikroumgebung, CAR-T und Radiomics. Prospektive oder extern validierte Studien sowie maßgebliche Übersichtsarbeiten wurden bevorzugt berücksichtigt; eine formale Qualitätsbewertung, eine Bewertung des Verzerrungsrisikos oder eine gepoolte Analyse werden jedoch nicht beschrieben. Die Leistungskennzahlen (meist AUCs) stammen aus den jeweils zitierten Einzelstudien.

Studienlimitierungen

Die Autoren weisen darauf hin, dass die meisten Studien retrospektiv sind, die Validierung selten prospektiv oder multizentrisch erfolgt und die Leistung bei externer Anwendung häufig nachlässt. Heterogenität der Daten, Verzerrungen (Bias), eingeschränkte Reproduzierbarkeit und die mangelnde Transparenz der Modelle bleiben bestehen. Da es sich um einen narrativen Review handelt, kann er einer Selektionsverzerrung unterliegen. Im vorliegenden Text, der vor den Abschnitten zu Brustkrebs und CAR-T abgeschnitten ist, wurden keine Interessenkonflikte angegeben.

Hat dir diese Zusammenfassung gefallen?

Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.

E-Mail-Adresse zum Abonnieren eingeben: