Vorhersage der Ki-67-Expression bei invasivem Brustkrebs mit Radiomics in zwei Bildgebungsmodalitäten

Warum diese Forschung für Patientinnen wichtig ist

Für Frauen mit der Diagnose invasiver Brustkrebs ist eine zentrale Frage, wie schnell der Tumor vermutlich wächst und sich ausbreitet. Ärztinnen und Ärzte stützen sich häufig auf ein Protein namens Ki-67, um abzuschätzen, wie schnell sich Krebszellen teilen; dessen Bestimmung erfordert jedoch meist eine Gewebeentnahme per Nadel oder Operation. Diese Studie untersucht, ob Informationen, die in routinemäßigen Brustbildern—Ultraschall und Mammographie—versteckt sind, kombiniert und von Computern analysiert werden können, um Ki-67-Werte vorherzusagen, ohne einen zusätzlichen invasiven Eingriff. Das könnte helfen, die Behandlung individueller zu gestalten bei geringerem Unbehagen und Risiko.

Sehen, was das Auge nicht erkennt

Ultraschall und Mammographie sind Standardverfahren zur Erkennung und Charakterisierung von Brusttumoren. Radiologinnen und Radiologen beurteilen Form, Ränder und andere sichtbare Details, doch jedes Bild enthält außerdem subtile Muster von Helligkeit und Textur, die für das menschliche Auge zu komplex sind, um vollständig interpretiert zu werden. Radiomics ist eine Technik, die diese medizinischen Bilder in Hunderte messbarer Merkmale umwandelt und so jeden Tumor in einen reichhaltigen numerischen Fingerabdruck verwandelt. Die Autoren gingen davon aus, dass diese Fingerabdrücke widerspiegeln könnten, wie aggressiv ein Tumor ist, einschließlich der Frage, ob sein Ki-67-Wert hoch oder niedrig ist.

Kombination zweier Bildgebungsverfahren

Das Forschungsteam untersuchte 206 Frauen mit invasivem Brustkrebs, die in einem einzigen Krankenhaus behandelt wurden. Alle hatten vor der Operation klare Ultraschall- und Mammographieaufnahmen sowie labormäßig bestimmte Ki-67-Ergebnisse. Tumoren wurden in niedriges Ki-67 (20 % oder weniger) und hohes Ki-67 (über 20 %) eingeteilt, ein häufig verwendeter Grenzwert. Spezialistinnen und Spezialisten zogen an den Bildern die Kontur jedes Tumors nach, und Computerprogramme extrahierten jeweils über tausend Merkmale aus jeder Bildgebungsmodalität. Diese Merkmale beschrieben grundlegende Helligkeit, Tumorform und feinere Texturmuster, sowohl in den Originalbildern als auch nach mathematischen Transformationen, die darauf abzielen, verborgene Strukturen hervorzuheben.

Den Computer lehren, Aggressivität vorherzusagen

Da nicht alle Merkmale gleichermaßen nützlich sind, verwendeten die Forschenden eine statistische Methode, um sie auf eine kleinere Auswahl zu reduzieren, die die meiste Vorhersagekraft enthält. Anschließend trainierten sie mehrere Typen von Maschinenlernmodellen, um hohe von niedrigen Ki-67-Tumoren zu unterscheiden, und erstellten drei Varianten: eine nur auf Ultraschall basierende, eine nur auf Mammographie basierende und eine, die Merkmale beider Modalitäten kombinierte. Sie testeten die Modelle gründlich mit wiederholter Kreuzvalidierung, einem Verfahren, das die Daten wiederholt neu mischt und in Trainings- und Testgruppen aufteilt, um zu prüfen, wie gut die Ergebnisse bei neuen Fällen bestehen.

Was die Modelle aus den Bildern lernten

Das kombinierte Modell übertraf deutlich die Modelle, die nur eine Bildgebungsart nutzten. Es erreichte eine Fläche unter der Kurve von 0,882, was bedeutet, dass es hohe gegenüber niedrigen Ki-67-Tumoren in fast neun von zehn Fällen korrekt einstufte, bei einem guten Gleichgewicht zwischen Sensitivität (Erkennen aggressiver Tumoren) und Spezifität (Vermeiden falscher Alarme). Ultraschall allein und Mammographie allein waren deutlich weniger genau. Viele der wichtigsten Merkmale erfassten Textur—wie gleichmäßig oder abwechslungsreich die Graustufen innerhalb des Tumors waren—sowie Aspekte der Tumorform. Mithilfe eines Interpretationswerkzeugs namens SHAP zeigten die Autoren, welche Merkmale die Modellvorhersage in Richtung hoher oder niedriger Risikoeinschätzung am stärksten beeinflussten, wodurch die Entscheidungen nachvollziehbarer wurden.

Potenzielle Auswirkungen auf die Versorgung und nächste Schritte

Die Studie legt nahe, dass durch die Kombination von Informationen aus Ultraschall und Mammographie Computer die Wachstumsaktivität eines Tumors in einer Weise abschätzen können, die eng mit der biopsiebasierten Ki-67-Bestimmung übereinstimmt. In der Praxis könnte ein solches Werkzeug Ärztinnen und Ärzten helfen zu entscheiden, wann eine Behandlung intensiver erfolgen oder eine engere Überwachung stattfinden sollte, insbesondere wenn eine Biopsie schwer zu erhalten ist oder wiederholte Messungen über die Zeit erforderlich sind. Die Arbeit wurde jedoch retrospektiv und in einem einzelnen Zentrum durchgeführt, sodass sie noch in größeren, vielfältigen Patientengruppen und in prospektiven Studien geprüft werden muss. Wenn dies bestätigt wird, könnte dieser Radiomics-Ansatz mit zwei Modalitäten zu einer wertvollen, nicht-invasiven Ergänzung der traditionellen Pathologie bei der personalisierten Behandlung von Brustkrebs werden.

Zitation: Xu, R., Lin, Q., Zheng, C. et al. Prediction of Ki-67 expression in invasive breast cancer with dual-modality radiomics. Sci Rep 16, 12129 (2026). https://doi.org/10.1038/s41598-026-42827-y

Schlüsselwörter: Brustkrebs, Ki-67, Radiomics, Ultraschall, Mammographie