Lungenfibrose: Zuverlässige Prognose dank KI (Radiomics)

Radiomics ist die Bezeichnung für eine spezielle Anwendung von Künstlicher Intelligenz (KI) bei der Interpretation von Bildmaterial, zum Beispiel Computertomografien (CT). Ihr Einsatz war bislang auf die Onkologie beschränkt. Die vorliegende Studie wendet Radiomics nun auf das bisher unbearbeitete Feld der Interstitiellen Lungenkrankheiten (ILD) an. Die systemische Sklerose ist eine seltene Autoimmunerkrankung, bei der mehrere Organe betroffen sind. Eine Lungenbeteiligung ist die Haupttodesursache von Patienten mit systemischer Sklerose. Unbehandelt ist die Mortalität vergleichbar mit derjenigen einer Krebserkrankung. Die vorliegende Studie unternimmt den Versuch, mithilfe von Radiomics Patientenprofile mit gut definierten Prognosen zu finden, um so die klinische Risikobeurteilung und das Patientenmanagement zu verbessern.

Die Analyse der jährlichen Routine-Verlaufs-CTs mittels Radiomics konnte zwei klar abgrenzbare Gruppen von Patientinnen und Patienten ermitteln. Die Gruppen wiesen unterschiedliche klinische Merkmale und verschiedene, gut definierte Risikoprofile für die Überlebenswahrscheinlichkeit mit und ohne Fortschreiten der ILD aus. Für die klinische Anwendung wurde in einem nächsten Schritt ein Risikoscore (Risikobeurteilung) entwickelt, der Patienten nach dem Risiko eines Fortschreitens der Lungenerkrankung unterteilen konnte (hohes vs. tiefes Risiko). Dieser Score, der in einer unabhängigen zweiten Patientengruppe bestätigt wurde, ermöglichte im Vergleich zu bisher angewendeten klinischen oder funktionellen Parametern eine wesentlich zuverlässigere Erkennung von Risikopatienten. Die Erstautorin der Studie Dr. sc. ETH Janine Schniering ordnet das Ergebnis so ein: "Wenn sich diese Daten in einer prospektiven Studie bestätigen lassen, bietet dieser KI-Ansatz der Klinikerin und dem Kliniker künftig ein wissenschaftlich basiertes, funktionierendes Instrument zur Risikobeurteilung und damit zur individuellen Beratung und Behandlungsplanung."

Das Projekt ging in einem zweiten Teil noch einen bedeutenden Schritt weiter. Die Forschenden unternahmen den Versuch, im Tiermodell molekularbiologische Entsprechungen für die radiomisch ermittelten Risikogruppen zu finden. Dazu wurden Mäuse nach einer chemisch ausgelösten Lungenfibrose untersucht. Es zeigten sich vielversprechende Korrelationen zwischen den aus CT-Bildern gewonnenen Risikoprofilen und den Prozessen der Entstehung von Bindegewebsvermehrung (Fibrosierung) des Lungengewebes im Tiermodell. Ein aus der KI-Bildanalyse errechnetes, hohes Risiko für eine fortschreitende Lungenerkrankung stimmte mit der Aktivierung von Vorgängen überein, die zu einem Fortschreiten einer Fibrose im Gewebe führten.

Das vorliegende Projekt betritt in mehrfacher Hinsicht methodisches Neuland. So bearbeitet es erstmals Bildmaterial von Patientinnen und Patienten mit Lungenfibrose infolge systemischer Sklerose mit den Methoden der Radiomics-Analyse. Weiter verbindet es speziesübergreifend Daten aus der computertomografischen Bildgebung mit molekularbiologischen Resultaten aus Gewebsanalysen. Die Studienleiterin Prof. Dr. med. Britta Maurer betont einen weiteren Patientennutzen ihrer Forschung: "Dass mit CT-Bildanalysen spezifisch Vorgänge der Fibrosierung auf Gewebsebene korreliert werden können, stellt einen Durchbruch dar. Dieser gibt Anlass zur Hoffnung, eines Tages ganz auf der Basis nicht invasiver Bilder auf konkrete physiologische und pathophysiologische Prozesse schliessen zu können. Damit würden Gewebsentnahmen mit invasiven Eingriffen wegfallen."

Die Arbeit zeigt das grosse Potenzial von Radiomics bei der Analyse und Prognose von Lungenfibrose bei Systemischer Sklerose. Das Forschungsteam ist deshalb höchst interessiert, in enger Zusammenarbeit mit Inselkliniken weitere Arten der fibrosierenden ILD zu untersuchen. Dabei soll Radiomics u.a. Vorhersagen zum möglichen Erfolg von anti-fibrotischen Therapien ermöglichen. Dazu sind diverse nationale und internationale Kooperationen am Anlaufen oder in Planung.

MEDICA.de; Quelle: Universitätsspital Bern