KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-21
HRDPath: eine erklärbare Multi-Modell-Deep-Learning-Architektur zur Vorhersage homologer Rekombinationsdefizienz aus histopathologischen Bildern
Originaltitel: HRDPath: an explainable multi-model deep learning architecture for predicting homologous recombination deficiency from histopathology images
Homologe Rekombinationsdefizienz (HRD) ist ein wichtiger Biomarker für Therapieentscheidungen beim hochgradig serösen tubo-ovariellen Karzinom, doch vorhandene genomische Tests sind variabel, teuer und zeitaufwendig. Die Autoren entwickelten HRDPath, eine Deep-Learning-Architektur, die den HRD-Status direkt aus Whole-Slide-Bildern ohne zusätzliche molekulare Testung vorhersagt. Validiert an drei Patientenkollektiven, erreichte sie eine AUC von 0.846, wobei Sensitivität und Spezifität jeweils 0.90 erreichten.