Kann der Körper bestimmte Gen-Mutationen nicht selbst reparieren, kann es zu einem unkontrollierten Wachstum von Zellen kommen – ein Tumor entsteht. Entscheidend dafür ist ein Ungleichgewicht von wachstumsfördernden und wachstumshemmenden Faktoren, zum Beispiel durch Veränderungen in Onkogenen. Dieses Wissen macht sich die Präzisionsonkologie zunutze, ein Spezialgebiet der personalisierten Medizin: Überaktive Onkogene werden mithilfe bestimmter Arzneimittel wie niedermolekularen Inhibitoren oder Antikörpern gezielt abgeschaltet.
Damit die Mediziner wissen, bei welchen Gen-Mutationen sie ihre Behandlung ansetzen können, analysieren sie dafür zunächst das Tumorgewebe genetisch. Anhand der ermittelten molekularen Varianten der Tumor-DNA leiten sie die individuelle Therapieempfehlungen ab.
In besonders komplexen Fällen ist hierfür Wissen aus verschiedenen medizinischen Bereichen notwendig. An der Berliner Charité kommt dann das so genannte molekulare Tumorboard (MTB) zusammen: Experten der Pathologie, Molekularpathologie, Onkologie, Humangenetik und Bioinformatik analysieren gemeinsam anhand der aktuellen Studienlage, welche Therapien den größten Erfolg versprechen. Ein sehr aufwendiges Verfahren.
Kann KI Therapieoptionen aufzeigen?
Kann Künstliche Intelligenz (KI) an dieser Stelle unterstützen, fragten sich daher Dr. Damian Rieke, Arzt an der Charité, Professor Ulf Leser und Xing David Wang von der Humboldt-Universität zu Berlin sowie Dr. Manuela Benary, Bioinformatikerin an der Charité. Sie untersuchten zusammen mit weiteren Forschenden die Chancen und Grenzen von Large Language Models wie ChatGPT bei der automatisierten Sichtung der wissenschaftlichen Literatur für die Auswahl einer personalisierten Therapie.
„Wir haben diese Modelle vor die Aufgabe gestellt, personalisierte Therapieoptionen für fiktive Krebspatienten aufzuzeigen und dies mit den Empfehlungen von Experten verglichen“, erläutert Damian Rieke. Sein Fazit: „Künstliche Intelligenzen waren prinzipiell in der Lage personalisierte Therapieoptionen zu identifizieren – kamen aber an die Fähigkeit menschlicher Expertinnen und Experten nicht heran.“
Arzt versus KI in der Medizin
Für das Experiment hat das Team zehn molekulare Tumorprofile fiktiver Patienten erstellt. Dann beauftragten sie einen spezialisierten Arzt und vier Large Language Models damit, eine personalisierte Therapiemöglichkeit zu ermitteln. Diese Ergebnisse präsentierten sie den Mitgliedern des molekularen Tumorboards zur Bewertung – ohne dass diese wussten, woher eine Empfehlung stammt.
„Vereinzelt gab es überraschend gute Therapieoptionen, die die künstliche Intelligenz identifiziere“, berichtet Manuela Benary. „Die Performance von Large Language Models ist allerdings deutlich schlechter als die menschlicher Expertinnen und Experten.“ Außerdem würden Datenschutz und Reproduzierbarkeit besondere Herausforderungen bei der Anwendung von KI bei realen Patienten darstellen, so Benary.
Das Beste für die Medizin: KI plus Experte
Dennoch sieht Damian Rieke die Einsatzmöglichkeiten von KI in der Medizin grundsätzlich optimistisch: „Wir konnten in der Studie auch zeigen, dass sich die Leistung der KI-Modelle mit neueren Modellen weiter verbessert. Das könnte bedeuten, dass KI künftig auch bei komplexen Diagnose- und Therapieprozessen stärker unterstützen kann – so lange Menschen die Ergebnisse der KI kontrollieren und letztlich über Therapien entscheiden.“
https://doi.org/10.1001/jamanetworkopen.2023.43689
