Das NSCLC ist eine heterogene Gruppe schnell mutierender Tumoren mit schlechter Prognose. Die Zahl der Therapieoptionen für NSCLC hat in den letzten Jahrzehnten jedoch zugenommen. Bei den meisten neuen Therapien handelt es sich um biomarkergesteuerte zielgerichtete Therapien, die auf einem klinisch relevanten Zusammenhang zwischen dem Nachweis somatischer Mutationen oder der Proteinexpression und der Wirksamkeit des Medikaments beruhen. Trotz dieser Fortschritte bleibt die therapeutische Landschaft für NSCLC eine Herausforderung. Die Tumore von mehr als der Hälfte der Patient:innen weisen keine zielgerichtete Mutation auf und bei fast einem Drittel der Patient:innen ist die treibende Mutation nicht bekannt. Der Einsatz von ML mit dem Ziel, bestehende Biomarker-Panels zu erweitern oder potenzielle Arzneimittelziele zu identifizieren könnte sowohl die personalisierte Entscheidungsfindung als auch die Entwicklung innovativer Therapien für NSCLC verbessern.
Suche nach Biomarkern mithilfe von ML
Biomarker, die in der klinischen Praxis derzeit eingesetzt werden, wurden mithilfe von traditionellen statistischen Ansätzen identifiziert. Biologische Prozesse, die innerhalb des NSCLC-Tumors stattfinden, können jedoch komplex sein und voneinander abhängen, wobei mehrere Biomarker zusammen auftreten und das Behandlungsergebnis auf nichtlineare Weise beeinflussen können. Diese komplizierten Wechselwirkungen können besser mit ML-Algorithmen analysiert werden, die komplexe Muster aus hochdimensionalen Datensätzen extrahieren können, um neue Biomarker zu finden. Mehrere Studien belegen hierbei den Nutzen von ML bei der Suche nach neuen Biomarkern.
Die wichtigsten Anwendungen der KI/ML-gestützten Biomarkerforschung beim NSCLC
Um Muster und Trends bei KI/ML-Anwendungen in der Biomarkerforschung beim NSCLC zu bewerten, führten Çalışkan und Koichi eine Literaturrecherche nach Studien durch, in denen potenzielle Biomarker für das NSCLC mit KI/ML-Ansätzen ermittelt wurden.1 Es überrascht nicht, dass viele der durch ML identifizierten potenziellen prädiktiven Biomarker von Daten aus bildgebenden Verfahren abgeleitet wurden. Derzeit scheint der größte Nutzen von ML zur Verbesserung personalisierter Behandlungsentscheidungen in der Bildanalyse zu liegen.
Die meisten Anstrengungen wurden unternommen, um die beiden häufigsten histologischen Subtypen des NSCLC, das Adenokarzinom der Lunge (LAD) und das Plattenepithelkarzinom (SCC), zu unterscheiden. In mehreren Studien wurden Biomarker zur Unterscheidung von NSCLC oder LAD von gesunden/nichtmalignen Proben sowie zur Unterscheidung von NSCLC und SCLC vorgeschlagen.
Am häufigsten untersucht wurden das Ansprechen von NSCLC/LAD auf Immun-Checkpoint-Inhibitoren (ICI), das Ansprechen von NSCLC auf Strahlentherapie (RT), Tyrosinkinaseinhibitoren (TKI) und Chemoradiotherapie. Tumorbezogene Biomarker sind die Expression des programmed cell death ligand 1 (PD-L1), die Mikrosatelliteninstabilität und die Tumormutationslast (TMB) beim NSCLC.
AI/ML-Algorithmen wurden angewandt, um relativ nicht-invasive Daten von Patient:innen als Surrogat für die Prädiktion anderer, klinisch anerkannter Biomarker zu nutzen, wie z. B. radiologische Daten wie PET-CT/CT oder ein Modell, das den PD-L1-Status anhand von H&E-gefärbter Whole-Slide-Bildgebung bei NSCLC-Patient:innen vorhersagen konnte.2 Die wichtigsten Biomarker, die von AI/ML vorhergesagt werden konnten, waren der Mutationsstatus des epidermalen Wachstumsfaktorrezeptors (EGFR), der PD-L1-Expressionsstatus, der Mutationsstatus der anaplastischen Lymphomkinase (ALK), der Mutationsstatus des viralen Onkogens des Kirsten-Ratten-Sarkoms (KRAS) und der TMB-Subtyp.
Fokus auf prädiktive Biomarker
In Studien zur Ermittlung potenzieller prädiktiver Biomarker bei NSCLC wurden molekulare, histologische und radiologische Daten mit Hilfe von KI verarbeitet, um neue prädiktive Biomarker zu finden, wobei manchmal Informationen zu multimodalen Markern mit anderen Datentypen kombiniert wurden.
- Zusätzlich zu den etablierten immunhistochemischen Markern zur Prädiktion des Ansprechens auf ICI verwendeten 17 Studien mit ML verschiedene Daten zu TMB, einen PD-L1-Tumor-Proportion-Score, die Gensignaturen der Tumormikroumgebung, das Neutrophilen-zu-Lymphozyten-Verhältnis und die Tumorheterogenität mit mutierten Allelen zur Vorhersage des Ansprechens. Die meisten potenziellen Biomarker wurden aus Daten von Tumorbiopsien abgeleitet, unter Verwendung von Genotypisierung oder Genexpression, manchmal in Form multimodaler Marker zusammen mit immunhistochemischen Daten oder hämatologischen und demografischen Merkmalen. Vielversprechend ist, dass einige Modelle keine Gewebeentnahme erforderten, sondern radiologische Datensätze analysierten oder ein multimodales Modell aus radiologischen Bildern, Serumtumormarkern, der Krankengeschichte und anderen Daten erstellten.
- Das Ansprechen auf TKIs stand im Mittelpunkt von vier ML-Studien, die Vorhersagemodelle auf der Grundlage der Radiomikroskopie erstellen. Aufgrund der großen Menge an Informationen, die aus medizinischen Bildern extrahiert werden, eignet sich die „Radiomik“ besonders gut für die Analyse durch KI. Außerdem wurde eine Studie gefunden, die eine auf Flüssigbiopsie basierende Proteinsignatur zur Vorhersage des Ansprechens auf eine Therapie verwendet.
- In sechs ML-Studien wurde versucht, Patienten mit NSCLC im Frühstadium, die nicht für eine Operation in Frage kommen, zu identifizieren, die initial mehr von einer stereotaktischen Bestrahlung als von systemischen Therapien profitieren würden. Sowohl reine radiologische Bilder als auch multimodale Biomarker, die mit ML erstellt wurden, hatten eine bessere Vorhersagekraft als vordefinierte Eigenschaften der Tumorbildgebung.
- In drei Studien wurde versucht, Patienten mit inoperablem lokal fortgeschrittenem NSCLC zu identifizieren, die wahrscheinlich von einer gleichzeitigen Chemoradiotherapie profitieren würden. Die vorgeschlagenen prädiktiven Biomarker wurden durch die Kombination verschiedener ML-Algorithmen für die Analyse von Positronen-Emissions-Tomographie/Computertomographie-Daten (PET/CT) gewonnen.
Schlussfolgerung
Diese Übersicht gibt einen Überblick über KI/ML-Anwendungen und klinische Herausforderungen bei der Entdeckung von Biomarkern für NSCLC. Sie beleuchtet potenzielle Biomarker und Signaturen, die in die klinische Entscheidungsfindung einfließen könnten.
Referenzen
- Caliskan M, Tazaki K. AI/ML-Fortschritte bei der Entdeckung von Biomarkern für nicht-kleinzelligen Lungenkrebs. Front Oncol. 2023;13:1260374. doi:10.3389/fonc.2023.1260374
- Sha L, Osinski BL, Ho IY, et al. Multi-Field-of-View Deep Learning Model Predicts Nonsmall Cell Lung Cancer Programmed Death-Ligand 1 Status from Whole-Slide Hematoxylin and Eosin Images. J Pathol Inform. 2019;10:24. doi:10.4103/jpi.jpi_24_19
Highlight-Themen
DG04: Wie robust sind die Daten zum primären Endpunkt?
Zu welchen Ergebnissen kamen die Autoren der DESTINY-Gastric04 (DG04)-Studie hinsichtlich der Robustheit der OS-Daten, der Verträglichkeit von und der Lebensqualität unter T-DXda?
DGHO 2025: Expertenstimmen zur aktuellen Therapie mit T-DXd
Prof. Bartsch und Dr. Welslau berichten über ihre Praxiserfahrungen mit Trastuzumab deruxtecan (T-DXd) direkt nach einer endokrinen Therapie beim HR+, HER2-low/-ultralow mBC.1,* Welche Empfehlungen geben sie zur Therapieentscheidung und zu Nebenwirkungen?
T-DXd: Eigenschaften & Wirkprinzip
T-DXd gilt als ADC der neuesten Generation, aber welche Eigenschaften heben es von anderen ADCs ab? Erfahren Sie in diesem Beitrag, was T-DXd besonders macht und wie der Wirkmechanismus funktioniert.