Neues Deep-Learning-Modell verbessert Prognose bei Glioblastom trotz Bildheterogenität

Ein neu entwickeltes Deep-Learning-Framework namens TopoGBM verspricht, die Prognosegenauigkeit bei Glioblastom (GBM) zu steigern, indem es die enorme räumliche und strukturelle Heterogenität von Tumoren besser erfasst. Das Modell nutzt einen 3‑D‑Convolution‑Autoencoder, der durch topologische Regularisierung ergänzt wird, um die komplexen, nicht‑euclidischen Invarianten des Tumor‑Manifolds im komprimierten Latent‑Space zu bewahren.

Durch die Einbindung dieser topologischen Priors kann TopoGBM die hochvarianten strukturellen Signaturen aggressiver GBM‑Tumoren explizit modellieren. Im Vergleich zu herkömmlichen Transformer‑ und Deep‑Learning‑Pipelines, die oft unter scanner‑spezifischen Artefakten leiden, bleibt die Leistung des Modells auch bei unterschiedlichen MRI‑Protokollen stabil.

Die Evaluierung erfolgte an heterogenen Patientenkohorten aus UPENN, UCSF und RHUH sowie einer externen Validierung auf TCGA. TopoGBM erreichte einen C‑Index von 0,67 im Test‑Set und 0,58 im Validierungs‑Set, was eine deutliche Verbesserung gegenüber Basis‑Modellen darstellt, die bei Domain‑Shift stark nachlassen.

Eine mechanistische Interpretationsanalyse zeigte, dass die Rekonstruktionsresiduals stark auf pathologisch heterogene Zonen konzentriert sind, während Fehler in Tumor‑ und gesundem Gewebe sehr gering bleiben (Test: 0,03, Validierung: 0,09). Zudem lokalisiert eine occlusion‑basierte Attribution etwa 50 % des prognostischen Signals in Tumorregionen, was die klinische Relevanz der erfassten Merkmale unterstreicht.