Multi-omics Deep Learning verbessert die langfristige Prognose von Mammakarzinomen auf Basis von FDG PET-CT

Warum das für Patientinnen und Familien wichtig ist

Wenn bei jemandem Brustkrebs diagnostiziert wird, lautet eine der ersten Fragen oft: „Was bedeutet das für meine Zukunft?“ Die heute verwendeten Staging-Systeme und Labortests liefern meist nur grobe Schätzungen. Diese Studie untersucht, ob die Kombination von medizinischen Bildern, radiologischen Befunden und grundlegenden klinischen Informationen mit moderner künstlicher Intelligenz eine klarere, individuellere Einschätzung der langfristigen Überlebenschancen und des Rückfallrisikos ermöglichen kann.

Blick auf den Stoffwechsel im Körper

Ein zentrales Werkzeug in dieser Arbeit ist die FDG-PET-CT-Aufnahme. Sie zeigt nicht nur die Form von Geweben wie eine normale CT, sondern auch, wie viel Zucker sie verbrauchen, wodurch deutlich wird, wie aktiv ein Tumor ist. Ärztinnen und Ärzte wissen bereits, dass bestimmte Kennzahlen aus diesen Aufnahmen — etwa wie „hell“ der Tumor erscheint oder wie groß er ist — mit dem Verlauf verknüpft sind. Diese traditionellen Messgrößen erfassen jedoch nur einen kleinen Ausschnitt der reichhaltigen Information in den Bildern und hängen oft von zeitaufwändiger Handarbeit von Spezialistinnen und Spezialisten ab, die Tumoren manuell abgrenzen.

Computern beibringen, Bilder und Berichte zu lesen

Die Forschenden sammelten FDG-PET-CT-Bilder, zugehörige radiologische Berichte und routinemäßige klinische Daten von 1.210 Frauen mit Brustkrebs, die über 15 Jahre an einem niederländischen Krebszentrum behandelt wurden. Zu Beginn hatte niemand sichtbare Fernmetastasen. Sie entwickelten ein System namens Multi-Omics Prognostic Stratification (MOPS), das Deep Learning nutzt — eine Form der künstlichen Intelligenz, die Muster in großen Datensätzen erlernt — und drei Arten von Informationen kombiniert: die Bilder selbst, die schriftlichen Berichte der Radiologinnen und Radiologen sowie klinische Faktoren wie Alter, Tumorgröße, Lymphknotenstatus und Hormonrezeptortypen. Ein automatisiertes Programm begrenzte zunächst Brusttumoren und betroffene Lymphknoten, sodass sich das Modell auf die relevantesten Bereiche konzentrieren konnte, ohne manuelles Nachzeichnen.

Mehr gewinnen durch das Zusammenführen vieler Hinweise

Das Team prüfte zunächst, wie gut die üblichen, bildbasierten Kennzahlen vorhersagen, wer länger lebt und bei wem der Krebs wieder auftreten könnte. Maße, die die gesamte Tumorlast widerspiegeln — wie das metabolische Tumorvolumen und die gesamte Läsionsglykolyse — schnitten besser ab als eine einfache Maximalhelligkeit, ihre Genauigkeit blieb aber moderat. Ein Deep-Learning-Modell, das die gesamte Thoraxregion in PET-CT analysierte, verbesserte diese traditionellen Parameter. Als Nächstes testeten die Forschenden drei Daten‑„Ströme“ getrennt: die Bilder, die schriftlichen Berichte und die klinischen Daten. Von diesen lieferte allein die klinische Datengrundlage die stärkste einzelne prognostische Information. Wenn jedoch alle drei Ströme im MOPS-System zusammengeführt wurden, verbesserte sich die Leistung weiter und lieferte zuverlässigere Vorhersagen für Gesamtüberleben und krankheitsfreies Überleben über 3, 5 und 10 Jahre.

Die Black Box öffnen

Da Ärztinnen und Ärzte jedem Werkzeug, das Behandlungsentscheidungen beeinflusst, vertrauen und es erklären können müssen, wurde MOPS mit Blick auf Interpretierbarkeit entwickelt. Überlagerte Heatmaps auf CT-Schnitten zeigten, dass das Modell sich auf die primären Brusttumoren und die betroffenen Lymphknoten konzentrierte, statt auf irrelevante Bildbereiche. Bei den klinischen Daten hob das Modell vertraute, einflussreiche Faktoren hervor, wie Tumorgröße (T-Stadium), Lymphknotenstatus und Familienanamnese. In den Textberichten betonte es tendenziell Begriffe, die Lymphknoten, Tumorlokalisation und Stoffwechselaktivität beschreiben — und spiegelte damit die Entscheidungslogik der Radiologinnen und Radiologen wider. Über verschiedene Tumorstadien und biologische Subtypen hinweg konnte das Modell Patientinnen in höher- und niedrigrisikogruppen einteilen, wobei die Unterscheidung naturgemäß bei sehr kleinen, frühstadialen Tumoren mit ohnehin exzellenten Überlebensraten weniger ausgeprägt war.

Was das für die Versorgung bedeuten könnte

Praktisch gesehen deutet diese Arbeit darauf hin, dass die durchdachte Kombination von Bildgebung, radiologischen Befunden und standardisierten klinischen Informationen die Einschätzung der langfristigen Prognose einer Patientin mit Brustkrebs schärfen kann — über das hinaus, was einzelne Informationsquellen leisten. Wenn ein solches Werkzeug in weiteren Kliniken und mit verschiedenen Gerätetypen validiert wird, könnte es Ärztinnen und Ärzten helfen, Patientinnen zu identifizieren, die tatsächlich engmaschigere Nachsorge oder intensivere Therapie benötigen, und gleichzeitig niedrigeren Risikogruppen unnötige Behandlungen und Belastung ersparen. Statt Klinikerinnen und Klinikern zu ersetzen, fungiert das System als zusätzliche Sichtweise, die komplexe Daten zu einem individualisierten Risikoscore destilliert und so klarere Gespräche über Prognose und nächste Schritte unterstützt.

Zitation: Liang, X., Zhang, T., Braga, M. et al. Multi-omics deep learning improves FDG PET-CT-based long-term prognostication of breast cancer. npj Precis. Onc. 10, 74 (2026). https://doi.org/10.1038/s41698-026-01283-7

Schlüsselwörter: Prognose von Brustkrebs, PET-CT-Bildgebung, Deep Learning, Multi-Omics, Überlebensvorhersage