KI-Modell sagt Leberkrebsrisiko auf Basis von Routinedaten voraus
Eine frühe Diagnose ist entscheidend für die erfolgreiche Behandlung von Leberkrebs. Dennoch werden viele Fälle erst zu spät erkannt, weil das individuelle Risiko schwer einzuschätzen ist. Ein internationales Forschungsteam unter Beteiligung des Else Kröner Fresenius Zentrums (EKFZ) für Digitale Gesundheit an der Technischen Universität Dresden (TUD) hat nun ein KI-Modell entwickelt, welches das Risiko für Leberkrebs auf Basis routinemäßig erhobener klinischer Daten, wie Vorerkrankungen, Laborwerte sowie Lebensstilfaktoren, vorhersagen kann. Die Ergebnisse wurden in der Fachzeitschrift Cancer Discovery, dem führenden Journal der US-amerikanischen Krebsforschungsgesellschaft (AACR), veröffentlicht.
Leberkrebs wird häufig zu spät entdeckt
Das hepatozelluläre Karzinom (HCC), die häufigste Form von Leberkrebs, zählt zu den tödlichsten Krebserkrankungen weltweit. Es entsteht, wenn sich Leberzellen verändern und unkontrolliert vermehren – oft als Folge chronischer Leberschäden. Eine frühe Diagnose verbessert die Therapiechancen deutlich, viele Betroffene werden jedoch erst in fortgeschrittenen Stadien erkannt. Bisherige Screening-Programme konzentrieren sich vor allem auf Menschen mit bereits diagnostizierter Leberzirrhose und übersehen damit weitere Risikopersonen.
Zuverlässiger Risikoscore auf Grundlage von Routinedaten
Für ihre Studie analysierten die Forschenden Gesundheitsdaten von mehr als 900.000 Personen aus zwei groß angelegten Studien: der britischen UK Biobank für die Modellentwicklung und dem US-amerikanischen All of Us Research Program für die externe Validierung. Insgesamt flossen knapp 1.000 bestätigte HCC-Fälle in die Analyse ein. Das Modell übertraf bisherige etablierte HCC-Risikoscores. Besonders bemerkenswert ist, dass die Vorhersageleistung auf Basis von Routinedaten vergleichbar war mit Modellen, die auf aufwendigen Genom- oder Stoffwechseldaten (Metabolom) beruhen. PRE-Screen-HCC ordnet Personen in niedrige, mittlere und hohe Risikogruppen ein und könnte so helfen, Ultraschall-Screenings gezielter einzusetzen.
Routinedaten ermöglichen frühere Identifikation von Risikopersonen
„Unsere Arbeit zeigt, wie sich bislang wenig genutzte Bevölkerungsdaten für eine bessere Vorsorge und Früherkennung von Leberkrebs nutzen lassen„, sagt Jan Clusmann, Erstautor der Studie und Forscher am EKFZ für Digitale Gesundheit an der TUD sowie der Uniklinik RWTH Aachen. „Der entscheidende Vorteil ist, dass unser Modell auf Routinedaten basiert, die im Klinikalltag ohnehin vorliegen. Damit könnten wir Menschen, die von einer Ultraschall-Früherkennung profitieren würden, früher identifizieren“, fügt der Arzt und Wissenschaftler hinzu. Für sein Forschungsprojekt wurde er im Rahmen des Mildred-Scheel-Postdoktoranden-Programms von der Deutschen Krebshilfe gefördert.
Frei verfügbares KI-Modell ermöglicht Weiterentwicklung und breite Anwendung
Besonders wichtig ist dem Team die Nachvollziehbarkeit ihrer Ergebnisse. Deshalb analysierte das Team auch, welche Arten von Routinedaten besonders zur Risikovorhersage beitragen und wie robust die Ergebnisse über unterschiedliche Bevölkerungsgruppen hinweg sind. Alle Modelle und der zugrunde liegende Code sowie ein Web-Risikorechner wurden öffentlich zugänglich gemacht. Das ermöglicht nicht nur die weitere externe Validierung beispielweise in anderen Bevölkerungsgruppen, sondern auch die künftige Nutzung und Einbindung in agentische KI-Systeme. Langfristig könnte PRE-Screen-HCC helfen, Menschen mit erhöhtem Risiko für Leberkrebs früher zu erkennen und Vorsorgeuntersuchungen gezielter auszuwählen.
Potenzial für Früherkennung durch systematische Datenauswertung
„Unsere Ergebnisse zeigen, welches Potenzial für die Früherkennung in Routinedaten steckt, wenn sie systematisch und in großer Zahl ausgewertet werden. In Zukunft könnten Algorithmen wie der von uns entwickelte PRE-Screen-HCC direkt mit der Patientenakte verknüpft werden – etwa im Rahmen des europäischen Gesundheitsdatenraums", erklärt Prof. Jakob N. Kather, Professor für Clinical AI an der TUD sowie Facharzt für Innere Medizin am NCT/UCC des Dresdner Universitätsklinikums Carl Gustav Carus.
Quelle:Technische Universität Dresden
Literatur:
- (1)
Clusmann J et al. (2026) Machine learning predicts hepatocellular carcinoma risk from routine clinical data: a large population-based multi-centric study; Cancer Discovery, DOI: 10.1158/2159-8290.CD-25-1323