Integration von Radiomics, Deep Learning, Transkriptomik und Metabolomik zeigt prognostische Risikostratifizierung und zugrundeliegende biologische Mechanismen beim kolorektalen Krebs

Warum diese Forschung für Patientinnen, Patienten und Familien wichtig ist

Das kolorektale Karzinom gehört zu den häufigsten und tödlichsten Krebserkrankungen weltweit, doch Ärztinnen und Ärzte tun sich weiterhin schwer vorauszusagen, welche Patientinnen und Patienten nach einer Operation gut zurechtkommen und welche ein erhöhtes Sterberisiko haben. Diese Studie zeigt, dass gewöhnliche medizinische Aufnahmen, kombiniert mit fortschrittlicher computerbasierter Analyse und molekularen Tests, Patientinnen und Patienten in klare Risikogruppen einteilen und verborgene biologische Merkmale in ihren Tumoren aufdecken können. Künftig könnte ein solcher Ansatz helfen, Therapie und Nachsorge besser zuzuschneiden, sodass Hochrisikopatienten engmaschiger überwacht und intensivere Therapien erhalten, während Niedrigrisikopatienten unnötige Nebenwirkungen vermeiden.

Blick in Tumoren ohne Skalpell

Die Forschenden konzentrierten sich auf kontrastverstärkte CT-Scans, eine routinemäßige Bildgebung, die bereits zur Beurteilung kolorektaler Tumoren verwendet wird. Statt sich auf das Sichtbare für das menschliche Auge zu verlassen, nutzten sie Radiomics und Deep Learning, um nahezu 2.000 kleine quantitative Merkmale aus den Bildern zu extrahieren und so subtile Muster von Form und Struktur zu erfassen, die die Heterogenität des Tumors widerspiegeln. Anschließend testeten sie systematisch 117 Kombinationen von zehn maschinellen Lernalgorithmen, um die verlässlichste Methode zu finden, diese Bildmerkmale mit dem Überleben der Patientinnen und Patienten zu verknüpfen. Das erfolgreichste Modell, das zwei Techniken namens Lasso und Gradient Boosting kombinierte, lieferte eine einzelne Risikobewertung für jede Person, basierend allein auf dem präoperativen CT-Scan.

Trennung von Niedrigrisiko- und Hochrisikopatienten

Anhand von CT-Scans von 1.183 Patientinnen und Patienten aus vier Krankenhäusern trainierte und validierte das Team sein Deep-Learning-Radiomics-Modell streng. Sie identifizierten einen Cut-off im bildbasierten Score, der die Patientinnen und Patienten in Niedrigrisiko- und Hochrisikogruppen einteilte. In Trainings-, interner Validierungsstichprobe und zwei unabhängigen Kliniken lebten Hochrisikopatienten durchgehend kürzer als diejenigen in der Niedrigrisikogruppe. Die Fähigkeit des Modells, zwischen unterschiedlichen Ergebnissen zu unterscheiden, hielt in vielen Subgruppen stand, einschließlich jüngerer und älterer Patientinnen und Patienten, Männer und Frauen, verschiedener Tumorstadien und unabhängig davon, ob eine Chemotherapie erfolgte. Als die Forschenden den bildbasierten Score mit zwei standardmäßigen klinischen Indikatoren—CEA-Blutspiegel und Lymphknotenstatus—in ein einfaches grafisches Werkzeug namens Nomogramm kombinierten, wurden Vorhersagen für das Drei- und Fünfjahresüberleben noch genauer und klinisch nützlicher.

Warum ist der eine Tumor gefährlicher als der andere?

Um über die reine Vorhersage hinauszugehen und zu verstehen, warum einige Tumoren aggressiver sind, verband das Team die bildbasierten Risikogruppen mit molekularen Veränderungen im Krebs. Bei einer Teilgruppe analysierten sie kleine Moleküle im Tumorgewebe mithilfe der Kernspinresonanzspektroskopie und verglichen Tumoren mit benachbartem Normalgewebe. Sie fanden heraus, dass Hochrisiko- und Niedrigrisikotumoren unterschiedliche metabolische Fingerabdrücke aufwiesen, die Wegwege betrafen, die Aminosäuren und kurzkettige Fettsäuren verarbeiten. Parallel dazu untersuchten sie die Genaktivität in Tumoren aus einer öffentlichen Bilddatenbank. Hochrisikotumoren zeigten starke Signale aus Wegen, die mit der extrazellulären Matrix—dem stützenden Gerüst um Zellen—zusammenhängen, das dafür bekannt ist, Krebszellen beim Ausbreiten zu unterstützen und Therapieresistenz zu fördern. Niedrigrisikotumoren hingegen waren angereichert mit immunbezogenen Signalwegen und wiesen höhere Werte an krebsbekämpfenden CD8-T‑Zellen auf, was auf ein aktiveres antitumorales Immumilieu hindeutet.

Schützende Stoffwechselwege mit Bezug zu besserem Überleben

Bemerkenswerterweise wiesen sowohl die Metabolitdaten als auch die Genaktivitätsdaten auf dieselben zwei Stoffwechselwege hin—Butanoatstoffwechsel und Stickstoffstoffwechsel—die in Niedrigrisikotumoren stärker aktiv waren. Diese Wege stehen in Verbindung mit Produkten von Darmbakterien und der Art und Weise, wie Zellen Stickstoff verarbeiten, was Energiehaushalt und Immunfunktion beeinflusst. Als die Forschenden einen großen, unabhängigen Datensatz mit 417 kolorektalen Krebsfällen aus The Cancer Genome Atlas überprüften, zeigte sich, dass eine geringere Aktivität in diesen beiden Wegen deutlich mit schlechterem Gesamtüberleben assoziiert war. Das deutet darauf hin, dass die Aufrechterhaltung dieser metabolischen Prozesse das Tumorwachstum einschränken oder eine stärkere Immunantwort unterstützen könnte und dass sie eines Tages als Biomarker oder therapeutische Zielstrukturen untersucht werden sollten.

Was das für die zukünftige Krebsversorgung bedeutet

Einfach ausgedrückt zeigt diese Studie, dass die Kombination intelligenter Bildanalyse mit molekularer Profilierung sowohl prognostische Werkzeuge schärfen als auch offenlegen kann, was in kolorektalen Tumoren vor sich geht. Ein aus Standard-CT-Scans abgeleiteter Risikoscore, besonders in Kombination mit routinemäßigen klinischen Messwerten, könnte Ärztinnen und Ärzten helfen, diejenigen Patientinnen und Patienten zu identifizieren, die nach einer Operation intensivere Behandlung oder engmaschigere Nachsorge benötigen. Zugleich deutet die Entdeckung bestimmter Immunmuster und metabolischer Wege, die mit besseren Ergebnissen verknüpft sind, auf neue Ansätze hin, die körpereigenen Abwehrkräfte zu unterstützen und gezielte Therapien zu entwickeln. Obwohl größere, prospektive Studien nötig sind, um diese Ergebnisse zu bestätigen, markiert dieser integrative Ansatz einen Schritt hin zu stärker personalisierter, biologisch fundierter Versorgung für Menschen mit kolorektalem Krebs.

Zitation: Li, Z., Cai, R., Qin, Y. et al. Integration of radiomics, deep learning, transcriptomics, and metabolomics reveals prognostic risk stratification and underlying biological mechanisms in colorectal cancer. npj Precis. Onc. 10, 155 (2026). https://doi.org/10.1038/s41698-026-01331-2

Schlüsselwörter: kolorektales Karzinom, Radiomics, Deep Learning, Tumorstoffwechsel, immunes Mikroumfeld