Die KI-gestützte Therapieauswahl führte in einer randomisierten Studie mit 105 Patientinnen mit therapieresistentem metastasiertem Brustkrebs zu höheren Ansprechraten. Dies untermauert die vielversprechende Anwendung biologischer Tumormerkmale zur Identifizierung von Therapien, wenn die Standardbehandlung versagt. In zwei biologischen Subgruppen erreichten die Ansprechraten 65 % bzw. 70 %, verglichen mit 30 % bzw. 20 % unter ärztlich ausgewählter Chemotherapie.

Die LINUX-Studieunterstützt KI-gestütztes Matching in einem bestimmten Anwendungsbereich. Eine Verkleinerung des Tumors beweist jedoch nicht, dass die Patienten länger leben.

Eine Auswertung randomisierter Studien und Beobachtungsstudien bis Oktober 2026 zeigt signifikante Verbesserungen für ausgewählte Patienten mit schwer behandelbaren Krebserkrankungen. Gleichzeitig wird ein anhaltendes Problem der Erfolgszuschreibung deutlich: Viele Erfolge sind auf das Zusammenspiel von molekularen Tests, wirksamen Medikamenten und spezialisierter Befundinterpretation zurückzuführen. Es lässt sich jedoch nicht feststellen, welcher zusätzliche Nutzen spezifisch auf künstliche Intelligenz zurückzuführen ist.

Was der Behandlungsabgleichprozess tatsächlich analysiert

Die Präzisionsonkologie untersucht Merkmale, die erklären können, warum ein Tumor wächst oder gegen Behandlungen resistent ist. Laut dem National Cancer Institutekönnen Biomarker-Tests Veränderungen in der Tumor-DNA, der Genaktivität und den Proteinen identifizieren und so die Therapieplanung unterstützen. Für die Tests kann Tumorgewebe oder, in manchen Fällen, im Blut zirkulierendes, vom Tumor stammendes Material verwendet werden. Ein einfaches Blutbild allein ist nicht mit einem molekularen Tumorprofil gleichzusetzen.

Im Laufe des Lebens erworbene Tumorveränderungen unterscheiden sich von vererbten genetischen Varianten, was Auswirkungen auf Angehörige haben kann. Künstliche Intelligenz (KI) kann bei der Klassifizierung pathologischer Bilder, der Interpretation komplexer Genexpressionsmuster und der Organisation von Behandlungsmöglichkeiten helfen. Kliniker müssen weiterhin Organfunktion, Vorbehandlung, Allgemeinzustand und Medikamentenverfügbarkeit berücksichtigen. Einige Matching-Systeme nutzen etablierte Regeln und kuratierte Evidenz anstelle von maschinellem Lernen; die Bezeichnung jeder computergestützten Empfehlung als KI verschleiert, was tatsächlich getestet wurde.

Randomisierte Studien zeigen reale, aber spezifische Vorteile

In der LINUX-Studie litten Patientinnen an hormonrezeptorpositivem, HER2-negativem Brustkrebs, dessen Erkrankung nach der Behandlung mit einem CDK4/6-Inhibitor, einer Wirkstoffklasse zur Verlangsamung der Krebszellteilung, fortschritt. Mithilfe KI-gestützter digitaler Pathologie wurden die Tumoren vier biologischen Subtypen zugeordnet. Die Forschenden randomisierten 70 Patientinnen einer subtypspezifischen Behandlung und 35 einer Chemotherapie, die vom behandelnden Arzt/der behandelnden Ärztin gewählt wurde. Der primäre Endpunkt war die messbare Tumorverkleinerung.

Die Ergebnisse stützen die Behandlungsstrategie, allerdings umfassten die einzelnen Subtypen nur wenige Patienten. Schwere behandlungsbedingte Nebenwirkungen traten in 37 % beider Gruppen auf. Entscheidend ist, dass die Studie sowohl die klassifikationsbasierte Strategie als auch die verabreichten Medikamente veränderte. Es wurde kein KI-System mit einem Expertenteam verglichen, das aus identischen Behandlungen auswählte, und höhere Ansprechraten bedeuten kein längeres Gesamtüberleben.

Stärkere Hinweise auf eine Verzögerung des Krankheitsverlaufs liefert CUPISCO, eine von Roche gesponserte randomisierte Phase-II-Studie zu ungünstigen Krebserkrankungen mit unbekanntem Primärtumor, bei denen der ursprüngliche Tumorort nicht identifiziert werden kann. Die Aktualisierung der Ergebnisse vom September 2026 umfasste 436 Patienten, deren Erkrankung nach drei Chemotherapiezyklen kontrolliert werden konnte. Die molekular gesteuerte Therapie führte zu einem medianen progressionsfreien Überleben von 6,1 Monaten gegenüber 4,4 Monaten unter fortgesetzter Chemotherapie. Das progressionsfreie Überleben misst die Zeit bis zur Verschlechterung der Erkrankung oder bis zum Tod, nicht die Gesamtlebensdauer. Das Gesamtüberleben betrug 15,2 Monate gegenüber 12,8 Monaten, dieser Unterschied erreichte jedoch keine konventionelle statistische Signifikanz: Die Hazard Ratio lag bei 0,79 (95%-Konfidenzintervall: 0,61–1,02). Dies belegt einen Vorteil hinsichtlich der Krankheitskontrolle in einer definierten Patientenpopulation, jedoch keinen spezifischen Überlebensvorteil durch Aromatasehemmer.

Bauchspeicheldrüsenkrebs verdeutlicht sowohl die Hoffnung als auch die Unsicherheit

Pankreaskrebs bietet sich als besonders aussagekräftiger Test an, da die Behandlungsmöglichkeiten begrenzt und die Prognose weiterhin schlecht ist. Eine Analyse des „Know Your Tumor“ -Registers ergab ein medianes Gesamtüberleben von 2,58 Jahren bei 46 Patienten, die eine auf therapeutisch relevante molekulare Veränderungen abgestimmte Therapie erhielten, verglichen mit 1,51 Jahren bei 143 Patienten mit therapeutisch relevanten Veränderungen, die eine nicht abgestimmte Behandlung erhielten. Dies ist ein signifikanter Unterschied, allerdings handelte es sich um eine retrospektive Studie, und die Behandlung wurde nicht randomisiert zugeteilt.

Patienten, die Zugang zu passenden Medikamenten erhalten, können sich hinsichtlich ihres Allgemeinzustands, des Zugangs zu spezialisierter Versorgung und der Möglichkeiten für eine Weiterbehandlung unterscheiden. Statistische Vergleiche können diese Unterschiede nicht zuverlässig ausgleichen. Das Register unterstützt die molekulare Medikamentenanpassung als vielversprechenden Ansatz für ausgewählte Patienten; es kann jedoch nicht beweisen, dass ein Anpassungsalgorithmus ein zusätzliches Lebensjahr bewirkt hat oder dass das Ergebnis auf alle Pankreaskrebserkrankungen übertragbar ist.

Eine KI-Studie aus dem Juni 2026 analysierte 2.202 Pankreastumorproben anhand von Genexpressionsdaten und Behandlungsergebnissen. In einer Subgruppe mit Standardrisiko, die laut Prognose für eine FOLFIRINOX-Chemotherapie sprechen würde, betrug die mediane Überlebenszeit der Patienten, die dieses Regime erhielten, 16,0 Monate, im Vergleich zu 9,9 Monaten bei Patienten, die Gemcitabin mit Nab-Paclitaxel erhielten. Diese Ergebnisse basierten auf retrospektiven Vorhersagen und nicht auf einer prospektiven Behandlungszuweisung mithilfe von KI. Die Forscher räumten fehlende klinische Variablen ein, darunter den Allgemeinzustand und Laborwerte. Viele Autoren waren mit Caris Life Sciences, dem Unternehmen, das die Datenbank für die Profilerstellung bereitstellte, verbunden. Die Ergebnisse rechtfertigen prospektive Studien und lassen keine Aussage zu, dass der Einsatz des Modells das Leben bereits verlängert.

Die Untersuchung lebender Krebszellen kann übersehene Optionen aufdecken

Ein anderer Ansatz testet Medikamente direkt an den Krebszellen der Patienten. Die EXALT-Studie, die 2021 online und 2022 in Cancer Discovery veröffentlicht wurde, untersuchte aggressive Blutkrebsarten, nachdem Standardtherapien für die Patienten ausgeschöpft waren. Im Labor wurden die Zellen zahlreichen Medikamenten ausgesetzt, automatisierte Mikroskopie und maschinelles Lernen zur Bildqualitätskontrolle eingesetzt und die Ergebnisse einem interdisziplinären Tumorboard präsentiert.

Von 143 getesteten Patienten erhielten 56 die empfohlene Behandlung und bildeten die primäre Analysegruppe. Dreißig dieser 56 Patienten (54 %) blieben mindestens 1,3-mal so lange progressionsfrei wie unter ihrer vorherigen Behandlung. Dies belegt einen Nutzen für die Patienten und nicht nur eine präzisere Vorhersage. Die EXALT-Studie war jedoch einarmig und verwendete die jeweilige Vorbehandlung als Vergleichsgruppe. Selektionsverzerrungen und Unterschiede zwischen den Behandlungslinien schränken die Aussagekraft kausaler Schlussfolgerungen ein, und die Studie trennte den Beitrag des maschinellen Lernens nicht von Labortests und ärztlicher Beurteilung.

Eine plausible biologische Übereinstimmung reicht nicht aus

Negative Ergebnisse tragen dazu bei, zu erklären, warum die Therapieanpassung nicht allen Patienten zugutekommt. In der randomisierten SHIVA-Studieverbesserte die Anwendung molekular zielgerichteter Medikamente außerhalb ihrer etablierten Indikationen das progressionsfreie Überleben bei stark vorbehandelten, fortgeschrittenen Krebspatienten nicht signifikant im Vergleich zur ärztlich gewählten Therapie. Das mediane progressionsfreie Überleben betrug 2,3 gegenüber 2,0 Monaten. Die Identifizierung einer Genveränderung und die Suche nach einem Medikament, das denselben Signalweg hemmt, führten nicht zuverlässig zu einem klinischen Nutzen.

Eine australische Studie mit 3.383 Patienten mit seltenen oder refraktären soliden Tumoren unterstrich die Bedeutung der Evidenzqualität. Bei behandelten Patienten mit Biomarkern, die durch stärkere klinische Evidenz gestützt wurden, war eine angepasste Therapie mit einem medianen Gesamtüberleben von 21,2 Monaten gegenüber 12,8 Monaten bei nicht angepasster Therapie assoziiert. Die adjustierte Hazard Ratio betrug 0,60. Eine Anpassung auf Basis schwächerer, aus anderen Krebsarten extrapolierter Evidenz zeigte keinen vergleichbaren Überlebensvorteil. Da es sich um eine Beobachtungsstudie handelte, bleibt der Zusammenhang anfällig für verbleibende Störfaktoren.

Bessere Informationen führen nicht zwangsläufig zu einem besseren Zugang. Eine randomisierte Studie des Dana-Farber Cancer Institute mit 20.707 Patienten nutzte KI, um ein wahrscheinliches Fortschreiten der Krebserkrankung zu erkennen und Onkologen über genomisch passende Studien zu informieren. Die Teilnahmequote lag bei 2,20 % mit Benachrichtigungen gegenüber 2,03 % ohne Benachrichtigungen – ein statistisch nicht signifikanter Unterschied. Verfügbare Studienplätze, Einschlusskriterien, der Zeitpunkt und der klinische Arbeitsablauf stellten weiterhin Hürden dar, die über die reine Zuordnung der Studienteilnehmer hinausgingen.

Der nächste Test besteht darin, den Nutzen aus der Nutzung des Systems zu ziehen

Die plausibelste Schlussfolgerung ist, dass die Abstimmung der biologischen Therapie auf die Behandlung das Ansprechen des Tumors und die Krankheitskontrolle bei einigen schwer behandelbaren Krebsarten verbessert hat. Beobachtungsstudien deuten zudem auf ein längeres Überleben in ausgewählten Patientengruppen hin. Künstliche Intelligenz (KI) trägt zunehmend zu erfolgreichen Behandlungsstrategien bei. Die ausgewerteten Daten belegen jedoch nicht, dass KI das Überleben bei schwer behandelbaren Krebsarten generell verbessert oder dass der Einsatz von KI einem erfahrenen molekularen Tumorboard durchgängig überlegen ist.

Die nächsten entscheidenden Studien müssen ein festgelegtes KI-System prospektiv mit der üblichen Standardversorgung vergleichen, Überlebensrate, Symptome, Lebensqualität und Toxizität messen und alle am Testprozess teilnehmenden Personen erfassen. Außerdem muss dokumentiert werden, wer tatsächlich das empfohlene Medikament erhält. Ein sinnvolles System muss jeden Schritt von der Gewinnung einer ausreichenden Probe bis zur verfügbaren Behandlung erfolgreich durchlaufen; eine Vorhersage allein reicht nicht aus, um einen Nutzen für den Patienten zu belegen.