KI bei T-ALL könnte künftig helfen, die molekular sehr unterschiedlichen Formen der kindlichen Leukämie genauer einzuordnen und individuelle Risiken abzuschätzen. Das Forschungswerkzeug clinTALL verbindet dafür Genexpressions-, Genom- und klinische Daten. In einer Studie erreichte das System bei der Subtyp-Klassifikation eine hohe Genauigkeit – zeigte bei seltenen Formen und längerfristigen Prognosen aber noch Grenzen.
Die T-zellige akute lymphoblastische Leukämie (T-ALL) macht etwa 15 bis 20 Prozent der ALL-Erkrankungen bei Kindern aus. Anders als bei der besser charakterisierten B-ALL stehen bislang nur wenige etablierte molekulare Marker für die Risikoeinschätzung zur Verfügung. Gleichzeitig lassen sich nach neueren Genomanalysen bis zu 17 molekulare T-ALL-Subtypen unterscheiden. Forschende des Universitätsklinikums Würzburg haben deshalb gemeinsam mit Partnern aus Deutschland und Italien die Software clinTALL entwickelt. Das Deep-Learning-System soll unterschiedliche Datenebenen gemeinsam auswerten und zwei Aufgaben verbinden: die Zuordnung zu molekularen Subtypen und die Abschätzung bestimmter Behandlungsverläufe. Trainiert wurde das Modell mit Daten von 1.309 Patientinnen und Patienten mit pädiatrischer T-ALL. Einbezogen wurden unter anderem klinische Merkmale, Genexpressionsdaten und genetische Veränderungen.
KI bei T-ALL kombiniert mehrere Datenquellen
Bei der Klassifikation erzielte ein ausschließlich mit Genexpressionsdaten arbeitendes Modell in der Kreuzvalidierung eine Genauigkeit von 92,2 Prozent. Das Modell, das mehrere Datenarten kombinierte, erreichte 91,7 Prozent. Dafür verbesserte die multimodale Analyse die Vorhersage des ereignisfreien Überlebens gegenüber der alleinigen Nutzung von Genexpressionsdaten. Die Leistungsfähigkeit unterschied sich allerdings deutlich zwischen den einzelnen Leukämieformen. Neun der 17 untersuchten Subtypen wurden mit mehr als 90 Prozent Genauigkeit erkannt. Bei mehreren seltenen Subtypen lag die Trefferquote dagegen deutlich niedriger; drei erreichten lediglich rund 40 Prozent. Als wesentlichen Grund nennen die Forschenden die geringe Zahl entsprechender Fälle in den Trainingsdaten. Eine zusätzliche Prüfung erfolgte mit unabhängigen T-ALL-Daten. In einer italienischen Kohorte mit 120 Proben standen bei 33 Fällen genügend genetische Informationen für eine eindeutige Vergleichszuordnung zur Verfügung. Davon klassifizierte clinTALL 27 korrekt – entsprechend 81,8 Prozent. Diese Zahl bildet damit eine realitätsnähere externe Prüfung ab als die höhere Genauigkeit aus der Kreuzvalidierung des Trainingsdatensatzes.
Vorhersage von Krankheitsverläufen noch unterschiedlich zuverlässig
Neben der Subtypisierung versucht clinTALL auch abzuschätzen, bei welchen Patientinnen und Patienten beispielsweise ein Therapieversagen während der Induktion oder ein späterer Rückfall wahrscheinlicher ist. Besonders gut funktionierte das Modell in der Studie bei der Vorhersage eines frühen Induktionsversagens. Bei Rückfällen war die Trennschärfe dagegen deutlich geringer und nahm mit zunehmendem zeitlichem Abstand ab. Die Forschenden sehen deshalb weiteren Validierungsbedarf. Insbesondere für seltene T-ALL-Subtypen werden größere Datensätze benötigt. Für längerfristige Prognosen könnten zudem Verlaufsdaten erforderlich sein, die erst während der Behandlung entstehen.
clinTALL ist bislang ein Forschungswerkzeug und kein für die klinische Routinediagnostik etabliertes System. Quellcode und Anwendung stellen die Forschenden öffentlich zur Verfügung, sodass andere Arbeitsgruppen das Verfahren überprüfen und weiterentwickeln können.
