Deep-Learning-Analyse erkennt prognostische Subtypen bei Darmkrebs

Die präzise Prognose von Darmkrebs bleibt trotz jahrzehntelanger Forschung eine große Herausforderung, weil die Erkrankung extrem heterogen ist. Das klassische TNM‑Staging reicht für die personalisierte Therapie nicht aus. Um diesem Problem zu begegnen, hat ein internationales Forschungsteam ein neues Deep‑Learning‑Modell namens TDAM‑CRC entwickelt, das histopathologische Whole‑Slide‑Images nutzt, um Patienten zuverlässig in Risikogruppen einzuteilen.

Das Modell wurde zunächst mit 581 Tumoren aus der TCGA‑Datenbank trainiert und anschließend in einer unabhängigen, großen externen Kohorte von 1.031 Patienten validiert. In beiden Studien zeigte TDAM‑CRC eine deutlich höhere Vorhersagegenauigkeit als das herkömmliche TNM‑System sowie als mehrere moderne Machine‑Learning‑Ansätze. Der daraus abgeleitete Risikoscore erwies sich in multivariaten Analysen als unabhängiger prognostischer Faktor.

Um die biologischen Grundlagen der prognostischen Subtypen zu verstehen, integrierte die Studie Multi‑Omics‑Daten. Die Analyse offenbarte, dass der hochriskante Subtyp mit einer starken metabolischen Umprogrammierung und einem immununterdrückenden Tumormikroumfeld assoziiert ist. Durch Netzwerk‑Analysen wurde ein zentrales Gen identifiziert, das die Deep‑Learning‑Features mit dem klinischen Outcome verbindet.

Das Gen Mitochondrial Ribosomal Protein L37 (MRPL37) tauchte als Schlüsselhub auf. Hohe Expressionswerte von MRPL37, die durch Hypomethylierung des Promotors angetrieben werden, korrelieren mit einem günstigeren Verlauf und stellen einen unabhängigen Biomarker dar. Diese Erkenntnisse liefern neue Ansatzpunkte für gezielte Therapien.

Abschließend wurde ein Nomogramm entwickelt, das den TDAM‑CRC‑Risikoscore mit klassischen klinischen Faktoren kombiniert. Dieses Werkzeug ermöglicht es, die individuelle Prognose präziser zu schätzen und die Therapieplanung zu optimieren. Die Ergebnisse markieren einen bedeutenden Fortschritt in der datengetriebenen Onkologie und eröffnen Wege für die Umsetzung von Deep‑Learning‑Methoden in der klinischen Praxis.