
Fortschritte bei der Biomarker-Testung für Krebstherapien haben zur Entwicklung neuer Biomarker auf der Grundlage von DNA- und RNA-Expressionsdaten beigetragen. (Foto von Google DeepMind auf Unsplash)
Denn diese bieten einen kosteneffizienten Ansatz zur Unterstützung von Behandlungsentscheidungen und den Zugang zu personalisierter Medizin. „KI-Methoden – wie Deep Learning und große Sprachmodelle – können helfen, Biomarker aus medizinischen Routinedaten wie Pathologie- und Radiologiebildern sowie klinischen Berichten zu identifizieren, etwa um vorherzusagen, auf welche bestimmte Therapie Patientinnen und Patienten wahrscheinlich ansprechen werden …“, erklärt Dr. Marta Ligero, Erstautorin der Veröffentlichung und Wissenschaftlerin in der Forschungsgruppe von Prof. Kather am EKFZ (Else Kröner Fresenius Zentrum) für Digitale Gesundheit.
Großes Potenzial von KI-basierten Biomarkern
Diese können aus routinemäßig erhobenen medizinischen Bildern und elektronischen Gesundheitsakten gewonnen werden. Sie bieten eine kostengünstige Möglichkeit, bei der Auswahl der passenden Krebstherapie zu unterstützen und das medizinische Personal zu entlasten.
Die Behandlungsmöglichkeiten für solide Tumore sind zunehmend komplexer geworden. Das macht es für Ärztinnen und Ärzte schwieriger, die optimale Therapie für Patientinnen und Patienten auszuwählen. Darüber hinaus schränken die hohen Kosten, die mit personalisierten Therapien verbunden sind, deren breite Verfügbarkeit oft ein. KI-basierte Biomarker stellen eine vielversprechende Lösung dar.
Krebstherapie: Verbesserte Entscheidungen durch KI-basierte Anwendungen
KI-Modelle bieten zahlreiche Möglichkeiten, die Krebsbehandlung für Patientinnen und Patienten zu verbessern. Sie können klinische Aufgaben automatisieren, die bislang manuelle Eingaben von Ärztinnen und Ärzten erfordern.
Beispiele für Einsatzbereiche:
- Die Klassifizierung von histopathologischen Krebsarten direkt aus medizinischen Bildern: Diese Automatisierung kann schnellere Behandlungsentscheidungen unterstützen und somit die Arbeitsbelastung des medizinischen Personals verringern.
- Eine weitere wichtige Anwendung ist die Vorhersage molekularer Biomarker aus routinemäßig erhobenen medizinischen Bilddaten: Dies könnte dazu beitragen, Herausforderungen moderner Sequenzierungstechnologien wie hohe Kosten, benötigtes Fachwissen und lange Bearbeitungszeiten – zu überwinden und personalisierte Therapien mehr Menschen zugänglich zu machen.
- KI-basierte Tools können auch dabei helfen, geeignete klinische Studien für Patientinnen und Patienten zu identifizieren und dadurch die Arbeitsbelastung multidisziplinärer Teams zu verringern: KI-Lösungen können durch die Identifizierung neuer Muster in klinischen Daten neue klinische und molekulare Merkmale entdecken. Dieses Wissen ermöglicht präzisere Einschätzungen darüber, welche Therapie individuell am besten geeignet ist.
Herausforderungen und erforderliche Schritte
Trotz ihres Potenzials müssen KI-gestützte Methoden noch mehrere Herausforderungen überwinden, bevor sie routinemäßig in der Klinik eingesetzt werden können:
- KI-basierte Biomarker müssen durch groß angelegte Studien sorgfältig evaluiert werden.
- Außerdem betonen die Forschenden die Notwendigkeit klarer regulatorischer Richtlinien, um die Entwicklung und Zulassung KI-basierter Lösungen zu ermöglichen.
- Wirtschaftliche Machbarkeitsstudien und algorithmische Fairness sind notwendig, um eine gerechte Umsetzung von KI-basierten Biomarkern zu gewährleisten.
Prof. Dr. med. Jakob N. Kather, Professor für Klinische Künstliche Intelligenz an der TU Dresden und Onkologe am Dresdner Universitätsklinikum Carl Gustav Carus, ist aber überzeugt davon, dass „KI-basierte Biomarker innerhalb des nächsten Jahrzehnts einen erheblichen Anteil aller Biomarker in der Präzisionsonkologie ausmachen werden. Da die Entscheidungsmöglichkeiten für die Behandlung immer komplexer werden, wird der Bedarf an zusätzlichen Biomarkern weiter steigen.“
Er sagt aber auch, dass es „darüber hinaus für Ärztinnen und Ärzte sowie Forschende wichtig sein wird, KI-Kenntnisse und ein grundlegendes Verständnis von KI-Methoden zu entwickeln, um diese Biomarker effektiv bewerten und anwenden zu können, sobald sie in größerem Umfang verfügbar sind.“
In einem neuen Übersichtsartikel beleuchten Professor Jakob N. Kather und sein Team am Else Kröner Fresenius Zentrum (EKFZ) für Digitale Gesundheit, in Zusammenarbeit mit weiteren Forschenden, wie künstliche Intelligenz (KI) künftig Entscheidungen in der Krebsbehandlung unterstützen kann. Der in der Fachzeitschrift Trends in Cancer veröffentlichte Artikel behandelt die wachsende Komplexität von Behandlungsmöglichkeiten für solide Tumore sowie den ungleichen Zugang zu personalisierter Medizin.
Marta Ligero, Omar S. M. El Nahhas, Mihaela Aldea, Jakob N. Kather: Artificial Intelligence-based Biomarkers for Treatment Decisions in Oncology. Trends in Cancer, 2025.
doi: https://doi.org/10.1016/j.trecan.2024.12.001
Erhalten Sie jetzt uneingeschränkten Zugriff auf alle interessanten Artikel.
- Online-Zugriff auf das PM-Report Heftarchiv
- Aktuelle News zu Gesundheitspolitik, Pharmamarketing und alle relevanten Themen
- 11 Ausgaben des PM-Report pro Jahr inkl. Specials
