Maschinelles Lernen

ChatGPT hat die Entwicklung in der Künstlichen Intelligenz (KI) beflügelt. Viele Studien in Hämatologie und Onkologie haben gezeigt, dass mithilfe von KI-Anwendungen zum Teil sehr gute und innovative Ergebnisse in Diagnose, Therapie­unterstützung und anderen Bereichen erzielt werden können. Bevor weitere Beiträge dieser Serie „KI in der Onkologie“ konkrete Anwendungsbeispiele genauer betrachten, werden hier ein paar Basics zu KI, ihren „Lernmethoden“, den zugrundeliegenden Datensätzen und besonderen Herausforderungen ihrer Anwendung beleuchtet.

Die rasante Entwicklung neuer diagnostischer und therapeutischer Optionen in der Onkologie ist sicherlich erfreulich und es gilt, allen geeigneten Patient:innen eine maßgeschneiderte Behandlung zukommen zu lassen. In der Realität zeigen sich jedoch häufig Abweichungen von der als best clinical practice angesehenen Behandlung. Am Beispiel von Lungenkrebs kann davon ausgegangen werden, dass circa ein Drittel der Tumorpatient:innen nicht die optimale Versorgung erhält (1-4). Die Notwendigkeit einer Qualitätssicherung ist also offensichtlich und soll durch die Zertifizierung von Tumorzentren und die Vorstellung aller im Zentrum behandelten Patient:innen in einem multidisziplinären Tumorboard (MTB) gewährleistet werden. Im Folgenden gehen wir auf die Frage ein, ob digitale Entscheidungsunterstützungssysteme schon heute eingesetzt werden können, um die Behandlungsqualität unserer Patient:innen zusätzlich abzusichern.

Die Unterscheidung von Primärtumoren und Metastasen kann bei Hirntumoren rasch und präzise mittels Radiomics und Deep Learning-Algorithmen erfolgen. Dies ist die Kernaussage einer Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften (KL Krems), die jetzt in Metabolites veröffentlicht wurde (1). Sie zeigt, dass Magnetresonanz-basierte radiologische Daten des O₂-Stoffwechsels von Tumoren eine hervorragende Grundlage für die Unterscheidung mit Hilfe von neuronalen Netzwerken bieten. Diese Kombination von „oxygen metabolic radiomics“ mit Analysen durch spezielle Künstliche Intelligenz war dabei den Auswertungen durch menschliche Expert:innen in allen wesentlichen Kriterien deutlich überlegen. Dieses ist umso beeindruckender, als wesentliche Sauerstoffwerte zwischen den Tumorarten nicht maßgeblich voneinander abwichen – und neuronale Netzwerke auf deren Grundlage dennoch eindeutige Unterscheidungen vornehmen konnten.

Leben retten dank künstlicher Intelligenz: Beim 6. Niedersächsischen Digitalgipfel Gesundheit in Hannover sind neue Methoden vorgestellt worden, die computerbasiert Krankheiten wie zum Beispiel Darmkrebs noch schneller erkennen können. Mit einem Programm aus Fachvorträgen und einer Podiumsdiskussion eröffneten die Ärztekammer Niedersachsen (ÄKN) und die Hochschule Hannover (HsH) ein Forum rund um das Thema „Bessere Medizin durch Künstliche Intelligenz?“.

Wie hoch ist das Risiko für Patien:innen, bei einer Hirntumor-OP das Sprachvermögen zu verlieren? Um das herauszufinden, analysieren Forschende des Klinikums rechts der Isar der Technischen Universität München (TUM) das Gehirn als Netzwerk. Eine aktuelle Studie mit 60 Patient:innen bestätigt, dass bereits 73% der Prognosen zutrafen. (1)

In der November-Ausgabe von JOURNAL ONKOLOGIE werden einige Aspekte aus der Hämatologie näher beleuchtet. So wird die 2022 neu erschienene 5. Edition der WHO-Klassifikation der hämatologischen Neoplasien vorgestellt. Diese betrifft sowohl den Beitrag zur Therapie der akuten myeloischen Leukämie als auch den Artikel über die Myelodysplastischen Neoplasien, mit denen Sie jeweils 2 CME-Punkte erwerben können. Die Fortbildung zur chirurgischen Therapie von Hirntumoren ist mit weiteren 3 CME-Punkten akkreditiert. Darüber hinaus können Sie sich über geschlechtsspezifische Unterschiedliche in der Krebsprävention sowie über die Rolle der Künstlichen Intelligenz in der Präzisionsonkologie informieren.Hämatologie und Gehirntumoren

Zusätzlich zur bildgebenden Diagnostik kommen zunehmend auch Methoden der Künstlichen Intelligenz (KI) zum Einsatz. Kann KI zu einem Wandel in der Krebsbehandlung hin zu einer deutlichen Verbesserung des Outcome beitragen? Der Weg zur Verwirklichung des KI-Potenzials steht im Einklang mit dem Wunsch nach größerer Standardisierung, Effizienz und Konsistenz der Krebsbehandlung in den verschiedenen Bereichen der Onkologie. Die Behandlungsauswahl soll dabei auf das Ziel der Verbesserung des Gesamtüberlebens bei minimaler Behandlungstoxizität als klinischem Endpunkt ausgerichtet werden. Eine Studie aus Kanada gibt einen Überblick über die Elemente der klinischen Entscheidungsfindung in der Präzisionsonkologie und beschreibt den Nutzen der KI in der Onkologie.

Das US-amerikanische Unternehmen Olive ist mit 902 Millionen US-Dollar das bestfinanzierte KI-Startup im Gesundheitswesen weltweit. Das zeigt die Statista-Grafik auf Basis von Daten des Branchenportals Medical Startups.

Glioblastome (GBM) repräsentieren häufige und aggressive hirneigene Tumoren des Erwachsenen. Die kranielle Kernspintomographie mit/ohne Kontrastmittel ist die diagnostische Methode der ersten Wahl bei Verdacht auf ein GBM. Für spezielle Fragestellungen, auch bei Aspekten der Therapieplanung, kann ergänzend eine Positronenemissionstomographie (PET) mit einem Aminosäure-Tracer hilfreich sein. Eine neuropathologische Sicherung der Diagnose ist obligat, bevorzugt im Rahmen einer operativen Resektion oder alternativ anhand einer minimal-invasiven Proben­entnahme. Die moderne Gewebediagnose basiert auf der Histopathologie und ergänzenden molekularen Markern („integrierte Diagnose“). Letztere besitzen Relevanz für eine objektive Einteilung der hirneigenen Tumoren und liefern wertvolle Hinweise in Bezug auf die Tumorentstehung, Prognoseabschätzung und Therapieplanung. Die Standardtherapie besteht aus der Tumorresektion, wenn sinnvoll möglich, und anschließender konkomitanter Radio-/Chemotherapie mit darauffolgender adjuvanter Chemotherapie. Eine Behandlung mit alternierenden niederenergetischen elektrischen Wechselfeldern (Tumor Treating Fields, TTFields) kann ergänzend erwogen werden. Für das Rezidiv exis­tiert keine etablierte Standardtherapie; unter Berücksichtigung des klinischen Zustandes der Patient:innen wird eine erneute Resektion, eine Re-Bestrahlung oder eine Chemotherapie individuell und ggf. kombiniert eingesetzt. Die mittlere Überlebenszeit (über alle Risikokategorien hinweg) beträgt gemäß Registerdaten statistisch weniger als 2 Jahre, wobei insbesondere Patient:innen mit einem günstigen molekularen Tumorprofil eine deutlich bessere Prognose haben. Neue Behandlungsansätze wie zielgerichtete Therapien und Immuntherapien haben bislang keine nachhaltigen Behandlungserfolge erzielt, neue (Kombinations-)Strategien befinden sich jedoch in klinischer Erprobung.

Als ein breites und innovatives Gebiet mit langer Tradition ist die Urologie ein Zukunftsfach der Medizin – auch was die Digitalisierung und die Künstliche Intelligenz (KI) betrifft. Prof. Dr. rer. nat. Dr. h.c. mult. Wolfgang Wahlster, Professor für Informatik, Mitglied des Forschungsbeirats der Plattform Industrie 4.0 und Chief Executive Advisor (CEA) des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI), Kaiserslautern, gehört zu den renommiertesten Experten im Bereich der KI und sprach auf dem Kongress der Deutschen Gesellschaft für Urologie (DGU), der vom 15.-18.09.2021 in Stuttgart stattfand, über „Künstliche Intelligenz als Treiber der Digitalisierungswelle“.

Die Krebsdiagnostik steht vor immensen Herausforderungen. Vor dem Hintergrund der weltweit stark steigenden Zahl von Krebserkrankungen muss die Pathologie bei gleichbleibenden oder sogar abnehmenden Kapazitäten immer mehr Diagnosen erstellen. Die Digitalisierung der Krebsdiagnostik spielt in dieser Frage eine entscheidende Rolle. Sie kann in einer Reihe von Vereinfachungen und Verbesserungen enorme Vorteile für die onkologische Therapie bieten: Mit der Digitalisierung werden eine effizientere Logistik in der Fallverteilung und der Einsatz von Telemedizin möglich. Nicht zuletzt die SARS-CoV-2-Pandemie hat gezeigt, was hierfür nicht nur möglich, sondern notwendig ist. Der noch größere Nutzen der digitalen Pathologie liegt aber in der diagnostischen Unterstützung des menschlichen Experten durch den Computer. Methoden der Künstlichen Intelligenz (KI) und insbesondere des Maschinellen Lernens (ML) haben das Potenzial, Experten in der onkologischen Diagnostik nicht nur erheblich zu unterstützen, sondern auf dem Weg zur Präzisionsmedizin ein entscheidendes Werkzeug zu sein.