Anhoren
Teilen
Eine neue Studie zeigt, dass Algorithmen das Potenzial haben, Tumorläsionen in 2D-Schichtbildern auswerten und damit im klinischen Alltag für Entlastung sorgen können.
Algorithmen können dabei helfen, Tumore zu lokalisieren, und damit die Radiologie und Nuklearmedizin deutlich entlasten. Das zeigt eine neue Studie des Universitätsklinikums Tübingen, die aktuell in Nature veröffentlicht wurde.
Größe, Art und Volumen von Tumoren genaustens zu kennen, ist wichtig, um Krebspatienten die richtige Therapie zu empfehlen. Grundlage hierfür sind Aufnahmen, die in der Positronen-Emissions-Tomographie (PET) und in der Computertomographie (CT) gemacht werden. Das CT macht die Anatomie des Körpers sichtbar, während das PET die Stoffwechselaktivität von Gewebe misst. Radiologen und Nuklearmediziner markieren bisher in 2D-Schichtbildern manuell die Konturen einzelner Tumore, um deren Volumen zu erfassen.
Teilweise haben Krebspatienten mehrere Hundert Läsionen – also pathologische Veränderungen, die durch das Wachstum eines Tumors verursacht werden. Um ein einheitliches Bild zu erhalten, müssten demnach auch alle Läsionen erfasst werden. „Medizinerinnen und Mediziner würden dann mehrere Stunden benötigen, um die Läsionen einzuzeichnen. Bei vielen Tausenden Krebspatientinnen und Krebspatienten pro Jahr am Uniklinikum Tübingen ist das eine sehr zeitintensive Arbeit“, erklärt Prof. Dr. Thomas Küstner, Forschungsgruppenleiter Medical Image and Data Analysis Lab in der Abteilung für diagnostische und interventionelle Radiologie des Universitätsklinikums Tübingen. „Besser wäre es, wenn ein Algorithmus automatisiert die Auswertung übernehmen würde.
Maschine-Learning-Challenge
Dazu haben sich Prof. Küstner und sein Kollege Prof. Dr. Sergios Gatidis 2021 mit Prof. Dr. Clemens Cyran und Prof. Dr. Michael Ingrisch vom LMU Klinikum München ausgetauscht. Die Idee: Eine Challenge entwickeln, die Bildgebung mit dem maschinellen Lernen verbindet.
2022 wurde die erste autoPET-Challenge organisiert, die von April bis September 2022 lief. Forscher aus der ganzen Welt waren eingeladen, Algorithmen für die Auswertung von Tumorläsionen zu entwickeln. 359 Teilnehmer in 27 Teams haben ihre Lösungen eingereicht. Die Ergebnisse wurden auf der International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) im September 2022 präsentiert. „Wir konnten Hunderte Wissenschaftlerinnen und Wissenschaftler weltweit erreichen und dazu motivieren, an dieser wichtigen Fragestellung zu arbeiten. Das war nur im Rahmen einer Challenge möglich”, erklärt Prof. Gatidis. Alle eingereichten Algorithmen nutzen Deep Learning, eine Form der künstlichen Intelligenz, um die Konturen der Läsionen zu identifizieren. Hierbei werden mithilfe von neuronalen Netzen komplexe Muster und Zusammenhänge in großen Datenmengen erkannt. Die vielversprechendsten Algorithmen haben Küstner und sein Team im Nachgang identifiziert.
Vollständige Automatisierung als Ziel
Die Auswertung der eingereichten Algorithmen zeigt nun, dass sie die Tumorläsionen präzise und effizient erkennen können. „Die Challenge war ein wichtiger erster Schritt, um vielversprechende Algorithmen in diesem Gebiet zu identifizieren“, betont LMU-Professor Ingrisch. Die Leistung der Algorithmen hängt allerdings stark von der Qualität der Bilder der PET und des CTs ab. Je besser die Algorithmen mit verschiedenen Datensätzen umgehen können, desto robuster sind sie auch gegenüber äußeren Einflussfaktoren wie Variationen in den Bildaufnahmen, der Bildgebungsscanner oder der radioaktiven Marker. „Unser Ziel ist es, in den nächsten Jahren die Analyse der Bildgebung im CT und PET vollständig zu automatisieren“, erklärt sein Kollege Prof. Cyran. Weitere Arbeiten sind deshalb notwendig, um die Algorithmen zu verbessern und robuster zu machen. 2023 und 2024 fanden bereits weitere autoPET-Challenges statt. Das Team aus Tübingen und München wird die Ergebnisse erneut auswerten und weitere Schritte einleiten, um die Algorithmen in naher Zukunft im klinischen Alltag einsetzen zu können.
