Gebärmutterkrebs kann (Fern)Metastasen bilden und sich auf andere Gewebe und Organe ausbreiten, zum Beispiel auf den Gebärmutterhals, die Eileiter oder die Harnblase. Dann gilt das Endometriumkarzinom zwar als noch behandelbar, aber in der Regel als schwer heilbar. Doch welche Frau mit Gebärmutterkrebs entwickelt voraussichtlich Metastasen, welche nicht? Diese Frage versuchen Ärztinnen und Ärzte bislang anhand von Bildern sowie molekularer und pathologischer (feingeweblicher) Untersuchungen zu beantworten. Diese sind jedoch oft zeit- und kostenintensiv. Das Wissen darum, wie hoch das Risiko für eine Metastasierung bei einer Frau mit Endometriumkarzinom ist, hat aber einen Einfluss auf die Wahl der weiteren Behandlungen.
Deep Learning trainiert die KI
Ein internationales Forschungsteam um Prof. Viktor Kölzer von der Abteilung für Pathologie und Molekulare Pathologie am Universitätsspital Zürich (USZ) entwickelte jetzt ein Vorhersagemodell für Fernmetastasen bei Gebärmutterkrebs, das sich auf die Künstliche Intelligenz „KI“ stützt. „HECTOR“ heißt dieses neue Prognosemodell, das auf dem Prinzip des „Deep Learning“ basiert. Dabei wird die KI mit immer neuen Informationen „gefüttert“, trainiert und so Schritt für Schritt verbessert. HECTOR könne das Metastasierungsrisiko sehr genau vorhersagen, schreiben die Forschenden. Die Ergebnisse ihres neuen KI-Testmodells veröffentlichten sie im renommierten Fachmagazin „Nature Medicine“.
- Eine spezielle Methode der Informationsverarbeitung und ein Teilbereich des maschinellen Lernens.
- Nutzt neuronale Netze (künstliche Neuronen), analysiert große Datenmengen (Big Data) und findet wiederkehrende Muster, zum Beispiel Auffälligkeiten im Gewebe.
- Funktionsweise des menschlichen Gehirns dient als Orientierung für die Lernmethode. Das System kann das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch weiter lernen.
- Neuronales Netzwerk gewinnt die Fähigkeit, eigene Prognosen zu erstellen oder Entscheidungen zu treffen.
HECTOR wurde bei 2.072 Frauen eingesetzt, die an einem Endometriumkarzinom erkrankt waren. Die Forschenden trainierten die KI mit Hilfe von histopathologischen Bildern von Gebärmuttergewebe. Es stammte von Frauen, die sich einer Operation (Hysterektomie) wegen ihres Gebärmutterkrebses unterzogen hatten. Außerdem flossen Daten zu den Tumorstadien (1 bis 3) mit in das KI-Modell ein. Dann trainierten die Forschenden die KI, um das Risiko für Fernmetastasen besser abschätzen und den Nutzen einer zusätzlichen Chemotherapie prognostizieren zu können.
Die wichtigsten Ergebnisse der Studie waren:
- Die KI konnte mit einer Genauigkeit von mehr als 80 Prozent vorhersagen, ob Frauen Krebsabsiedlungen in anderen Organen oder Geweben entwickeln würden oder nicht. Dies sei genauer als die bisher eingesetzten Standardmethoden, schreiben die Autorinnen und Autoren der Studie.
- Mittels KI ließen sich die Frauen in drei Risikogruppen einteilen: niedriges, mittleres und hohes Metastasierungsrisiko.
- Die KI könnte eventuell den Nutzen einer zusätzlichen (unterstützenden) Chemotherapie besser vorhersagen als bisher angewendete Methoden.
Das Fazit der Forschungsgruppe: „HECTOR könnte dabei mithelfen, Frauen mit einem Endometriumkarzinom zukünftig eine personalisierte Behandlung anzubieten.“
Metastasen bei bis zu 20 Prozent der Frauen
Gebärmutterkrebs ist die fünfthäufigste Krebserkrankung bei Frauen und die häufigste Krebsart der weiblichen Genitalorgane, berichtet das Robert Koch-Institut (RKI). Im Jahr 2022 erkrankten in Deutschland 10.716 Frauen neu an Gebärmutterkrebs.
Bei den meisten Frauen ist der Krebs noch örtlich auf die Gebärmutter begrenzt, wenn Ärztinnen und Ärzte die Diagnose stellen. Die Behandlung der Wahl ist in der Regel eine Operation, bei der die Gebärmutter und meist auch die Eileiter entfernt werden. Diese Frauen haben in der Regel eine gute Prognose.
Allerdings entwickeln ungefähr 10 bis 20 Prozent der Frauen mit einem Endometriumkarzinom im Laufe der Zeit Fernmetastasen. Dann ist der Gebärmutterkrebs meist nicht mehr heilbar. Frauen mit einem höheren Metastasierungsrisiko könnten zum Beispiel von einer zusätzlichen Chemotherapie profitieren, die diese Gefahr senken kann. Die Behandlung mit Zytostatika besitzt jedoch nicht unerhebliche Nebenwirkungen, zum Beispiel Haarausfall, Entzündungen der Haut und Schleimhäute oder Veränderungen des Blutbildes.
Um die Wahrscheinlichkeit einer Metastasierung bei einer Frau mit Gebärmutterkrebs besser abschätzen zu können, ziehen Ärztinnen und Ärzte heute verschiedene histologische (Gewebe), molekulare (Erbgut = DNA) und klinische (Bildgebung) Parameter heran.
Beispiele sind:
- Feingeweblicher Subtyp (zum Beispiel hormonempfindliche Tumorzellen? Von welchen Zellen geht der Krebs aus?) Dies ist wichtig für die Therapiewahl.
- Grading – wie ähnlich sind die Krebszellen gesunden Zellen noch? Ein höheres Grading bedeutet, dass die Krebszellen aggressiv sind, sich rasch teilen und sich schneller ausbreiten.
- Stadium – Größe und Ausbreitung des Tumors (je höher das Stadium, desto höher die Wahrscheinlichkeit für die Ausbreitung der Krebszellen)
- Sind Krebszellen in die Lymphgefäße eingedrungen? Dann ist die Wahrscheinlichkeit für die Metastasierung höher.
- Molekulare Einteilung – welche molekularen Eigenschaften und Merkmale besitzen die Tumorzellen? Beispiele: POLE-Mutation (POLEm), abnormales p53 (p53abn), defiziente Mismatch-Reparatur/Mikrosatelliteninstabilität (dMMR/MSI) oder kein spezifisches molekulares Profil (engl. no specific molecular profile = NSMP) – hier können Behandlungen ansetzen
Aus diesen Faktoren lassen sich Rückschlüsse auf die Wahrscheinlichkeit ziehen, mit der ein Gebärmutterkrebs metastasiert. Frauen mit einem hohen Risiko würden zum Beispiel eine zusätzliche Chemotherapie erhalten, Frauen mit einem niedrigen Risiko dagegen nicht.
- Volinsky-Fremond, S., Horeweg, N., Andani, S. et al. Author Correction: Prediction of recurrence risk in endometrial cancer with multimodal deep learning. Nat Med 30, 2092 (2024). https://doi.org/10.1038/s41591-024-03126-z, abgerufen am 27.2.2025
- Robert Koch-Institut (RK), Krebsarten, Gebärmutterkörperkrebs, abgerufen am 27.2.2025
NP-DE-AOU-WCNT-250003 (03/25)
Mit freundlicher
Unterstützung von GlaxoSmithKline
Die Informationen auf dieser Seite können eine professionelle Beratung durch ausgebildete und anerkannte Ärztinnen und Ärzte nicht ersetzen. Auch dienen sie nicht dazu, eigenständig eine Diagnose zu stellen oder eine Therapie einzuleiten.
