KI-Radiomics könnte Bauchspeicheldrüsenkrebs erkennen, bevor er sichtbar wird

Pankreatisches duktales Adenokarzinom (PDAC) weist eine Fünf-Jahres-Überlebensrate von unter 12% auf – ein Wert, der sich seit Jahrzehnten kaum verändert hat. Das grundlegende Problem ist die späte Erkennung: Wenn Symptome auftreten oder konventionelle Bildgebung eine Raumforderung zeigt, hat der Krebs typischerweise bereits gestreut und ist chirurgisch nicht mehr erreichbar. Pankreaskrebs in einem Stadium zu erkennen, in dem er noch heilbar ist – oder sogar bevor er sich vollständig entwickelt hat – gehört zu den dringlichsten ungelösten Problemen der Onkologie.

Dieses Editorial, veröffentlicht in der renommierten Fachzeitschrift Gut, beleuchtet das Potenzial KI-gestützter Radiomik als Werkzeug zur Erkennung von okkultem Pankreaskrebs. Radiomik bezeichnet die algorithmische Extraktion von Hunderten bis Tausenden quantitativer Merkmale aus Standard-Medizinbildern – Merkmale, die Textur, Form, Intensität und räumliche Heterogenität betreffen und selbst für erfahrene Radiologen unsichtbar sind. Wenn diese Merkmale in Machine-Learning-Modelle einfließen, können Muster entstehen, die auf eine frühe Malignität hinweisen.

Die Autoren vom Universitätsklinikum Heidelberg erörtern aktuelle Erkenntnisse, die darauf hindeuten, dass radioмische Signaturen, die aus scheinbar normalem Pankreasgewebe in CT- oder MRT-Aufnahmen abgeleitet werden, prospektiv Personen identifizieren könnten, die später Pankreaskrebs entwickeln. Dieses Konzept „prädiagnostischer" Bildgebungs-Biomarker ist besonders vielversprechend, da es die bestehende klinische Infrastruktur nutzt, ohne neue Bildgebungstechnologien zu erfordern.

Die klinischen Implikationen sind erheblich. Sofern validiert, könnte KI-gestützte Radiomik in routinemäßige Abdomen-Bildgebungsabläufe integriert werden, um Hochrisikopersonen automatisch für eine intensivierte Überwachung oder frühzeitigere Intervention zu markieren. Dies wäre besonders wertvoll bei Patientengruppen, die ohnehin aus anderen Gründen bildgebend untersucht werden.

Es bestehen jedoch wesentliche Einschränkungen. Dabei handelt es sich um einen redaktionellen Kommentar, nicht um eine primäre Forschungsstudie, und dem Fachgebiet fehlen noch immer große prospektive Validierungskohorten. Fragen der Modellgeneralisierbarkeit über verschiedene Gerätetypen, Institutionen und Patientenpopulationen hinweg müssen vor dem klinischen Einsatz geklärt werden. Zudem müssen regulatorische Zulassungs- und Erstattungswege erst noch etabliert werden.