„Wir nahmen uns einen unerfüllten klinischen Bedarf vor: Das Fehlen eines Biomarkers, der ein komplettes pathologisches Ansprechen auf eine neoadjuvante Chemotherapie beim muskelinvasiven Blasenkrebs vorhersagt.“ Mit diesen Worten fasste Prof. Dr. ­Bishoy ­Morris ­Faltas von der Weill Cornell Medicine in New York die Rationale seiner Arbeit zusammen. Die neoadjuvante Chemotherapie (NAC), gefolgt von radikaler Zystektomie, gehört zu den Standardbehandlungen. Doch nur rund 26–38 % erreichen eine pCR. „Ein verlässlicher prädiktiver Biomarker des Komplettansprechens auf NAC könnte es möglich machen, Patient:innen als Kandidat:innen für einen Erhalt der Blase auszumachen“, erklärte er.

Zur Entwicklung eines solchen Vorhersagewerkzeugs griff das Team auf die Daten der Phase-2-Studie ­S1314 zurück. Teilnehmende mit muskelinvasivem Blasenkrebs (MIBC) erhielten darin vier Zyklen Chemotherapie. „Wir entwarfen ein Deep Learning Modell, das sich aus drei Zweigen zusammensetzte –jeder davon ein neuronales Netz mit seiner eigenen Architektur, das aus einer anderen Eingangsquelle lernte,“ so Prof. ­Faltas (s. Kasten).

Ein interpretierbares Modell

Die Ausgangsdaten der drei Zweige wurden zusammengeführt, um eine pCR-Vorhersage für jede einzelne Person zu generieren. „Wir haben das Design so aufgebaut, dass wir später die Gewichtung der Zweige für die Vorhersage ablesen können. Das Modell ist außerdem interpretierbar. Das bedeutet, wir können verstehen, welche Parameter es in seine Entscheidungsfindung einbezieht und welche biologischen Grundsätze es aus welcher Datenquelle gelernt hat“, so der Referent.