KIA-Korekt: Stufenweise unimodale bis multimodale KI-Bewertung für die perioperative Risikovorhersage bei Darmkrebs (KIA-Korekt)

Kolorektales Karzinom (KRK) ist eine der häufigsten malignen Erkrankungen weltweit. Trotz Fortschritten in der chirurgischen Technik und perioperativen Versorgung bleiben kurzfristige postoperative Komplikationen häufig und beeinflussen die Lebensqualität der Patienten, die Gesundheitskosten und die Langzeitprognose erheblich. Zu diesen Komplikationen gehören Anastomoseninsuffizienz, Wundinfektion, Sepsis, thromboembolische Ereignisse und Krankenhausmortalität. Bestehende klinische Risikoscores (ASA, POSSUM) bieten nur eine begrenzte individualisierte Risikostratifizierung und integrieren keine bildgebungsbasierten biologischen Marker.

Die KIA-Korekt-Studie schließt diese Lücke durch die Entwicklung und Validierung KI-basierter prädiktiver Modelle für perioperative Komplikationen bei KRK, wobei drei komplementäre Bildgebungsmodalitäten integriert werden:

Digitale Histopathologie: Hämatoxylin-Eosin-gefärbte Ganzpräparatscans (H&E-WSIs) von chirurgischen Resektionspräparaten und präoperativen Biopsien werden mittels aufmerksamkeitsbasiertem Multiple-Instance-Learning (MIL) und Convolutional Neural Networks (CNNs) analysiert, basierend auf etablierten Pipelines der Abteilung für Computational Pathology, TU Dresden (AG Kather).

Radiologie: Präoperative CT- und MRT-Bilder werden mittels automatisierter Segmentierung (TotalSegmentator, nnU-Net) und radiomischer Merkmalsextraktion (PyRadiomics) verarbeitet. Merkmale werden vom Primärtumor, dem Psoasmuskel (Sarkopenie) und viszeralen/subkutanen Fettkompartimenten abgeleitet. Eine spezielle multimetrische Qualitätskontrollpipeline gewährleistet stabile Bilddatenrepräsentationen über verschiedene Scanner und Aufnahmeprotokolle hinweg.

Multiplex-Gewebebildgebung (mTI): Multiplex-Immunhistochemie mit multispektraler Bildgebung (mIHC-MSI) und Imaging Mass Cytometry (IMC) werden auf formalinfixiertes, paraffineingebettetes Tumorgewebe angewendet, um Immun- und Stromazellpopulationen, Marker-Expressionsintensitäten und räumliche Verteilungsmuster innerhalb der Tumormikroumgebung zu charakterisieren.

Unimodale Modelle werden für jede Modalität separat entwickelt und validiert. Multimodale Integration erfolgt durch Feature-Level-Fusion, Late-Fusion und multimodales Multiple-Instance-Learning mit Cross-Attention-Mechanismen. Die Modellleistung wird mittels AUC-ROC, Kalibrierungsplots, Brier-Scores und Decision-Curve-Analyse evaluiert. Die Interpretierbarkeit wird anhand von SHAP-Werten und Attention-Heatmaps bewertet.

Die Studie verwendet ein gemischtes retrospektives (n=750, 2011-2021) und prospektives Validierungskohorten-Design (n=210, 2026-2028). Die retrospektive Kohorte bildet die Grundlage für die Modellentwicklung und interne Kreuzvalidierung; die prospektive Kohorte ermöglicht eine externe Validierung unter klinischen Bedingungen in der Praxis.

Eine umfassende patientenbezogene Makro-Mikro-Korrelationsanalyse untersucht Zusammenhänge zwischen radiologischen Bildgebungsphänotypen und mikroskopischen histopathologischen sowie immunologischen Eigenschaften derselben Tumoren, was einzigartige integrative biologische Einblicke ermöglicht.

Die Studie wird von der Europäischen Union und dem Land Brandenburg (HealthTranslateBB/EFRE) sowie der Deutschen Forschungsgemeinschaft (DFG) finanziert. Die ethische Genehmigung wurde von der Ethikkommission der Brandenburgischen Medizinischen Hochschule Theodor Fontane erteilt. Alle prospektiven Teilnehmer geben eine schriftliche Einwilligungserklärung. Retrospektive Daten werden pseudonymisiert gemäß DSGVO verarbeitet.

Die Ergebnisse werden durch peer-reviewed Open-Access-Publikationen sowie nationale und internationale Konferenzpräsentationen verbreitet.