Neue AI-Technologie DeepPT verbessert Ansprechen auf Krebsbehandlungen erheblich

Lesezeit: 2 Minuten
Durch Ernst Müller
- in
KI-Modell zur Analyse von mRNA-Profilen und Gewebeproben

BerlinEin neues KI-Werkzeug namens DeepPT wurde entwickelt, um die Krebsbehandlung zu verbessern. Forscher an der Australischen Nationaluniversität (ANU) haben es erschaffen, und es sagt das mRNA-Profil eines Patienten voraus, was für die Proteinproduktion und die personalisierte Krebsbehandlung wichtig ist. DeepPT entstand mit Unterstützung von Wissenschaftlern am Nationalen Krebsinstitut in Amerika und vom Pharmaunternehmen Pangea Biomed.

DeepPT hat bedeutende Fortschritte bei der Vorhersage gezeigt, wie Patienten auf Krebstherapien reagieren werden. Zusammen mit einem weiteren Instrument namens ENLIGHT konnte es die Reaktionen auf verschiedene Krebsarten genau vorhersagen. Dr. Danh-Tai Hoang von der ANU betonte, dass die Wahl der richtigen Behandlung entscheidend für die Behandlungsergebnisse der Patienten sei, insbesondere bei aggressiven Krebserkrankungen.

DeepPT wurde mit einem umfangreichen Datensatz trainiert:

  • 5.500 Patienten
  • 16 häufige Krebsarten—dazu gehören Brust-, Lungen-, Kopf- und Hals-, Gebärmutterhals- sowie Bauchspeicheldrüsenkrebs

Durch den Einsatz von DeepPT konnte die Ansprechrate der Patienten von 33,3 % auf 46,5 % gesteigert werden. Diese Zunahme ist bedeutsam und zeigt die Nützlichkeit des Tools in realen klinischen Umgebungen. Das KI-Modell verbessert frühere Arbeiten desselben Teams zur Entwicklung eines Werkzeugs zur Klassifizierung von Hirntumoren und bietet eine verlässliche Methode für die Anwendung bei anderen Krebsarten.

DeepPT hebt sich dadurch hervor, dass es Histopathologie-Bilder verwendet – detaillierte Fotos von Gewebeproben der Patienten. Diese Bilder sind leicht zu beschaffen, kostengünstig und schnell zu verarbeiten. Dadurch lassen sich lange Wartezeiten auf komplexe molekulare Daten vermeiden, die oft Wochen in Anspruch nehmen. Schnelle Verarbeitung ist besonders wichtig für Patienten mit ernsten Tumoren, die sofortige Behandlung benötigen.

DeepPT und ENLIGHT nutzen klinische Daten zur Vorhersage. Der Einsatz von histopathologischen Bildern ist innovativ, da diese bereits in der täglichen medizinischen Praxis verwendet werden und somit leicht in bestehende Arbeitsabläufe integrierbar sind. Die höhere Ansprechrate auf die Behandlung zeigt, dass KI für die personalisierte Krebsbehandlung von großer Bedeutung sein könnte.

Die Tatsache, dass diese Studie in der renommierten Zeitschrift Nature Cancer veröffentlicht wurde, spricht für ihre wissenschaftliche Zuverlässigkeit. Die Zusammenarbeit mit angesehenen Institutionen wie dem Nationalen Krebsinstitut und Pangea Biomed verstärkt zusätzlich ihr Vertrauen.

Diese Entwicklung stellt einen vielversprechenden Schritt hin zu besseren Krebstherapien dar. Sie zeigt, wie Zusammenarbeit über verschiedene Disziplinen hinweg und moderne Computertechnologie echte Fortschritte im Gesundheitswesen erzielen können.

Künstliche Intelligenz revolutioniert die Medizin, insbesondere durch Werkzeuge wie DeepPT. Diese Technologien machen personalisierte Medizin zugänglicher und wirksamer. Mit Hilfe gängiger klinischer Daten können sie die Brücke zwischen Forschung und Patientenversorgung schlagen, was besonders Krebspatienten Hoffnung auf bessere Behandlungsergebnisse gibt.

Es wird spannend zu beobachten sein, wie sich dieses Werkzeug weiterentwickelt und ob es auch bei anderen Krankheiten einsetzbar ist. Derzeit stellt es einen bedeutenden Fortschritt im Kampf gegen Krebs dar.

Die Studie wird hier veröffentlicht:

http://dx.doi.org/10.1038/s43018-024-00793-2

und seine offizielle Zitation - einschließlich Autoren und Zeitschrift - lautet

Danh-Tai Hoang, Gal Dinstag, Eldad D. Shulman, Leandro C. Hermida, Doreen S. Ben-Zvi, Efrat Elis, Katherine Caley, Stephen-John Sammut, Sanju Sinha, Neelam Sinha, Christopher H. Dampier, Chani Stossel, Tejas Patil, Arun Rajan, Wiem Lassoued, Julius Strauss, Shania Bailey, Clint Allen, Jason Redman, Tuvik Beker, Peng Jiang, Talia Golan, Scott Wilkinson, Adam G. Sowalsky, Sharon R. Pine, Carlos Caldas, James L. Gulley, Kenneth Aldape, Ranit Aharonov, Eric A. Stone, Eytan Ruppin. A deep-learning framework to predict cancer treatment response from histopathology images through imputed transcriptomics. Nature Cancer, 2024; DOI: 10.1038/s43018-024-00793-2
Künstliche Intelligenz: Neueste Nachrichten

Diesen Artikel teilen

Kommentare (0)

Kommentar veröffentlichen