Welches Medikament wirkt bei welchem Patienten? Diese Frage ist in der Krebsmedizin von zentraler Bedeutung – und bislang schwer zu beantworten. Maschinelles Lernen bietet hier neue Möglichkeiten, doch für den Einsatz in der klinischen Praxis reicht eine gute Vorhersageleistung allein nicht aus: Medizinerinnen und Mediziner müssen einem Modell auch vertrauen können.
Genau hier setzt die neue Arbeit von Forschenden der Universität des Saarlandes, der Universitätsmedizin Göttingen und CAIMed an. Das von ihnen entwickelte Verfahren MORGOTH verbessert nicht nur die Genauigkeit von Vorhersagen zur Medikamentenwirksamkeit, sondern macht auch transparent, wie sicher das Modell bei einer gegebenen Vorhersage ist. Für Behandlungsentscheidungen ist diese Nachvollziehbarkeit mindestens so wichtig wie die Vorhersage selbst.
Die Studie liefert dabei auch einen methodisch relevanten Befund: Bisherige Vergleiche zwischen verschiedenen Modelltypen enthielten einen systematischen Bias – werden diese Modelle fair gegenübergestellt, zeigen sich teils andere Ergebnisse als bisher angenommen.
MORGOTH steht der Forschungsgemeinschaft als freies Open-Source-Paket zur Verfügung. Die Publikation erschien Open Access im Fachjournal Digital Discovery der Royal Society of Chemistry.
Zur Publikation: Rolli et al. (2026). Increasing trustworthiness of machine learning-based drug sensitivity prediction with a multivariate random forest approach. Digital Discovery.
https://pubs.rsc.org/en/content/articlelanding/2026/dd/d5dd00284b
