Lungenkrebs: KI unterstützt Ärzte bei der Tumorsegmentierung für die Strahlentherapie

Die manuelle Tumorsegmentierung in Vorbereitung auf eine Strahlentherapie ist zeitaufwendig, variabel und unter Umständen nicht präzise genug. Künstliche Intelligenz (KI) könnte hier helfen.

Ein Forscherteam von Northwestern Medicine (USA) hat daher ein KI-Tool namens iSeg entwickelt, das Ärzten nicht nur bei der präzisen Darstellung von Lungentumoren auf Computertomographie(CT)-Scans hilft, sondern auch Bereiche identifizieren kann, die von einzelnen Ärzten übersehen werden. Dazu veröffentlichten die Wissenschaftler eine umfassende Studie in „npj Precision Oncology“.

Im Gegensatz zu früheren KI-Tools, die sich auf statische Bilder konzentrierten, handelt es sich bei iSeg laut seinen Entwicklern um das erste 3D-Deep-Learning-Tool, das Tumore bei Atembewegungen segmentieren kann. Die Forschenden beschreiben dies als entscheidenden Faktor bei der Planung einer Strahlentherapie. „Wir sind Krebsbehandlungen einen Schritt näher gekommen, die noch präziser sind, als wir es uns noch vor einem Jahrzehnt vorstellen konnten“, erklärt Seniorautor Dr. Mohamed Abazeed, Lehrstuhlinhaber und Professor für Strahlenonkologie an der Feinberg School of Medicine der Northwestern University. „Ziel dieser Technologie ist es, unseren Ärzten bessere Werkzeuge an die Hand zu geben“, fügt Abazeed hinzu. Er führt ein Forschungsteam an, das datengesteuerte Tools zur Personalisierung und Verbesserung von Krebstherapien entwickelt.

Entwicklung und Testung von iSeg

Die Arbeitsgruppe der Northwestern University trainierte iSeg mithilfe von CT-Scans und manuell erstellten Segmentierungen. Die Hunderte von Patienten, zu denen die Scans gehörten, stammten aus neun Kliniken der Gesundheitssysteme Northwestern Medicine und Cleveland Clinic. Die Größe dieser Stichprobe gehe weit über die kleinen Datensätze einzelner Krankenhäuser hinaus, die in vielen früheren Studien verwendet worden seien, betont die Northwestern University in einer Mitteilung anlässlich der Veröffentlichung der Studie.

Nach dem Training von iSeg wurde die KI an Patientenscans getestet, die ihr noch nicht vorgelegt worden waren. Die daraus entstandenen Tumorumrisse wurden anschließend mit denen verglichen, die Ärzte manuell erstellt hatten. Die Studie ergab, dass iSeg – über alle untersuchten Krankenhäuser und Scan-Typen hinweg – durchgehend mit den von Experten erstellten Segmentierungen übereinstimmte. Die KI identifizierte jedoch auch zusätzliche Bereiche, die von den untersuchenden Ärzten übersehen worden waren. Dabei standen diese übersehenen Bereiche mit schlechteren Outcomes in Zusammenhang, wenn sie unbehandelt blieben. Die Forschenden schlussfolgern daraus, dass iSeg dazu beitragen könnte, Hochrisikobereiche zu erkennen, die ansonsten oft unbemerkt bleiben.

„Eine präzise Tumorzielerfassung ist die Grundlage einer sicheren und effektiven Strahlentherapie, bei der selbst kleine Fehler bei der Zielerfassung die Tumorkontrolle beeinträchtigen oder unnötige Toxizität verursachen können“, unterstreicht Abazeed. „Durch die Automatisierung und Standardisierung der Tumorabgrenzung kann unser KI-Tool dazu beitragen, Verzögerungen zu reduzieren, die Vergleichbarkeit zwischen den Krankenhäusern zu gewährleisten und potenziell Bereiche zu identifizieren, die Ärzte möglicherweise übersehen – was letztlich die Patientenversorgung und die klinischen Ergebnisse verbessert“, ergänzt KI-Experte und Erstautor Sagnik Sarkar von der Feinberg School of Medicine.

Klinischer Einsatz innerhalb weniger Jahre möglich

Das Forschungsteam testet iSeg derzeit im klinischen Umfeld und vergleicht dessen Leistung in Echtzeit mit der von Ärzten. Darüber hinaus integriert es Funktionen wie Nutzer-Feedback und arbeitet daran, die Technologie auf andere Tumorarten wie Leber-, Hirn- und Prostatakrebs auszuweiten. Das Team plant zudem, iSeg an andere bildgebende Verfahren wie die Magnetresonanztomographie und die Positronen-Emissions-Tomographie anzupassen.

„Wir betrachten dies als ein grundlegendes Instrument, das die Tumorbehandlung in der Strahlenonkologie standardisieren und verbessern könnte, insbesondere in Bereichen, in denen der Zugang zu spezialisierter Expertise begrenzt ist“, fügt Co-Autor Troy Teo, Dozent für Strahlenonkologie an der Feinberg School of Medicine, hinzu. „Diese Technologie kann zu einer einheitlicheren Versorgung in verschiedenen Einrichtungen beitragen, und wir glauben, dass ein klinischer Einsatz innerhalb weniger Jahre möglich sein könnte.“