| Einleitung: Das Ovarialkarzinom zählt zu den häufigsten Todesursachen weltweit. Aufgrund eines langen asymptomatischen Krankheitsverlaufs wird die Diagnose häufig erst in sehr fortgeschrittenen Stadien gestellt und die Prognose ist meist ungünstig. Das seröse Ovarialkarzinom welches als low-grade und high-grade vorliegen kann, ist der häufigste morphologische Typ. Eine der Ursachen für das Entstehen dieses bösartigen Tumors, ist eine Störung in einem der Reparaturmechanismen der DNA, nämlich der homologen Rekombination. Fällt dieser Reparaturmechanismus der Zelle weg, kommt es zu einer ineffizienten DNA Reparatur, die die Krebsentstehung begünstigt. Patientinnen mit BRCA1 oder BRCA2 Mutationen weisen genetisch bedingt eine Homologe Rekombinations-Defizienz auf und leiden daher gehäuft unter Brust- oder Eierstockkrebs. Die Homologe Rekombinations-Defizienz kann aber auch durch andere Ursachen bedingt sein, wie zum Beispiel andere genetische Mutationen, DNA-Methylierungen oder andere uns bisher unbekannte Faktoren. Therapeutisch gesehen, kann man sich diese Defizienz zu Nutze machen und mit sogenannten Poly (ADP-ribose)-Polymerase-Inhibitoren (PARP-Inhibitoren) gezielt dort eingreifen. Die PARP-Inhibitoren verhindern die DNA Reparatur über den Weg der Basen-Exzisionsreparatur (BER), und zwingen die Zelle, auf die homologe Rekombination, als zweiten Reparaturmechanismus, zurückzugreifen. Wenn dieser aber, wie beispielsweise bei BRCA-Mutierten, auch nicht funktioniert, geht die DNA der Zelle zugrunde und das Tumorwachstum wird gehemmt. Voraussetzung für die effektive Wirkung der PARP-Inhibitoren ist also eine Homologe Rekombinations-Defizienz (HRD). Histologisch könnte sich die HRD durch eine unterschiedliche Morphologie der Zellen bemerkbar machen. Es gibt bis dato aber keine Anhaltspunkte, anhand welcher Merkmale sich die Defizienz erkennen lässt. Um dieser Frage nachzugehen, bietet die künstliche Intelligenz ein leistungsfähiges Werkzeug zur automatischen Analyse und Klassifizierung von Bilddaten. In dieser Arbeit wird untersucht, ob es mittels künstlicher Intelligenz, also neuronaler Netzwerke, möglich ist, eine solche Defizienz anhand mikroskopischer Aufnahmen vorherzusagen.
Methodik: Mikroskopische gescannte Präparate von 436 Patientinnen mit Ovarialkarzinom wurden, zusammen mit den Mutationsdaten vom GDC Portal TCGA, heruntergeladen. Der HRD Status wurde definiert als Mutation in BRCA1, BRCA2, CHEK1 oder PTEN. Ein neuronales Netzwerk wurde mit diesen Bildern auf das Vorhersagen über das Vorliegen von HRD trainiert.
Ergebnisse: Eine Vorhersage des HRD Status durch ein neuronales Netzwerk konnte in dieser Arbeit nicht bewiesen werden. Die Treffergenauigkeit liegt bei 45,3%. Die Klassifizierung zwischen Tumor und normalem Gewebe gelingt jedoch mit dieser Methode mit einer Treffergenauigkeit von 83,9%.
Conclusio: In dieser Arbeit wurde ansatzweise gezeigt, dass es prinzipiell möglich ist mithilfe von künstlicher Intelligenz in histologischen Präparaten morphologische Korrelate zu finden, die eine HRD identifizieren.
|
