Eine bahnbrechende Deep-Learning-Technologie, die an der Universität Kopenhagen entwickelt wurde, eröffnet neue Perspektiven im Kampf gegen Brustkrebs. Diese innovative Methode wurde speziell entwickelt, um Zellen zu trainieren, die gezielt beschädigt wurden und in einen Zustand der Seneszenz übergegangen sind. Seneszente Zellen, oft als 'Zombie-Zellen' bezeichnet, sind zwar metabolisch aktiv, können sich jedoch nicht mehr teilen. Dr. Indra Heckenbach, Erstautor der Studie, erklärt: 'Diese Zellen haben einen Teil ihrer Funktion verloren, sind aber nicht vollständig tot.'

Der genaue Mechanismus, wie seneszente Zellen zur Krebsentstehung beitragen, bleibt noch unklar. Frühere Studien zeigen, dass diese Zellen einerseits das Zellwachstum bremsen können, andererseits aber auch die Tumorbildung über proinflammatorische Faktoren begünstigen können.

In einer retrospektiven Kohortenstudie untersuchten die Forscher die klinische Relevanz von Seneszenzmarkern bei der Entstehung von Brustkrebs. Hierzu wurde die neuartige Technologie zur Vorhersage der Seneszenz auf Brustgewebsbiopsien von 4382 gesunden Frauen angewendet. Untersucht wurden histologische Aufnahmen von Epithel-, Stroma- und Fettgewebe. Heckenbach erläutert: 'Unser Algorithmus analysiert insbesondere die Form der Zellkerne, da seneszente Zellen unregelmäßige Kerne aufweisen.'

Im Verlauf eines zehnjährigen Nachbeobachtungszeitraums erkrankten 86 Teilnehmerinnen (etwa 2 Prozent) an Brustkrebs. Um die Ergebnisse der Seneszenz-basierten Krebsvorhersage zu validieren, wurde zum Zeitpunkt der Gewebespende auch der Gail-Score erstellt, der auf der medizinischen Vorgeschichte und der familiären Brustkrebshistorie basiert.

Die Ergebnisse zeigen, dass die Deep-Learning-Modelle zur Bewertung der seneszenzassoziierten Kernmorphologie effektiv eingesetzt werden können, um das Brustkrebsrisiko vorherzusagen. Die Forscher bemerkten, dass die Vorhersagen der neuen Technologie teilweise sogar besser waren als die des Gail-Modells alleine. 'Wenn wir unsere eigenen Modelle kombinieren oder eines unserer Modelle mit dem Gail-Score kombinieren, erzielen wir deutlich genauere Vorhersagen', sagt Heckenbach.

Besonders bemerkenswert ist ein Odds Ratio von 4,70, was anzeigt, dass eine ansonsten gesunde Zellprobe auf ein fast fünfmal höheres Risiko einer späteren Krebserkrankung hinweisen kann. 'Es ist beeindruckend, dass wir aus einer gesunden Gewebeprobe ableiten können, dass die Spenderin ein signifikant erhöhtes Krebsrisiko hat', fügt Heckenbach hinzu.

Die Forscher sind sich einig: KI-Modelle könnten eine entscheidende Rolle bei der Vorhersage von Krebsrisiken spielen. Jährlich werden Millionen von Biopsien durchgeführt, und diese Technologie kann helfen, Risiken besser zu erkennen und die Behandlung für betroffene Frauen zu verbessern. Dr. Morten Scheibye-Knudsen, Seniorautor der Studie, betont jedoch, dass der klinische Einsatz dieser Technologien noch in den Kinderschuhen steckt. 'Wir stehen am Anfang einer neuen Ära in der Krebsdiagnostik und -behandlung, die durch KI revolutioniert werden könnte.' Dies könnte nicht nur die Lebenserwartung, sondern auch die Lebensqualität von Millionen Frauen weltweit erheblich verbessern.