TwinWeaver: KI-gestütztes Modell für digitale Zwillinge in der Krebsmedizin

Die Präzisionsonkologie steht vor der Herausforderung, klinische Ereignisse und deren Verlauf vorherzusagen, wenn die zugrunde liegenden Daten spärlich und multimodal sind. Mit TwinWeaver bietet ein Open‑Source-Framework eine Lösung, indem es Langzeitpatientengeschichten in Textform serialisiert und damit einheitliche Ereignisvorhersagen sowie Prognosen mit großen Sprachmodellen ermöglicht.

Auf Basis von TwinWeaver wurde der Genie Digital Twin (GDT) für 93 054 Patienten aus 20 Krebsarten entwickelt. In Benchmark-Tests verringerte GDT die Vorhersagefehler signifikant: Der Median der Mean Absolute Scaled Error (MASE) sank auf 0,87 im Vergleich zu 0,97 bei der stärksten Zeitreihenbasis (p < 0,001). Zudem verbesserte sich die Risikostratifikation, wobei ein durchschnittlicher Concordance Index (C‑Index) von 0,703 für Überleben, Progression und Therapiewechsel erzielt wurde, im Vergleich zu 0,662 bei der besten Basislinie.

GDT zeigte zudem eine starke Generalisierung auf klinische Studien außerhalb des Trainingsdatensatzes. Im Zero‑Shot-Modus erreichte es die Leistung der trainierten Baselines, und mit Feinabstimmung übertraf es diese sogar, wobei die Median‑MASE zwischen 0,75 und 0,88 lag. Im Bereich der Ereignisvorhersage erzielte GDT einen durchschnittlichen C‑Index von 0,672 gegenüber 0,648 bei der stärksten Basislinie.

Ein weiteres Highlight von TwinWeaver ist die Möglichkeit, eine interpretierbare klinische Entscheidungsunterstützung zu integrieren. Damit entsteht eine skalierbare und transparente Grundlage für die langfristige Modellierung von Patientendaten, die sowohl die Genauigkeit als auch die Nachvollziehbarkeit in der Krebsmedizin verbessert.