CD-Labor für Maschinelles Lernen zur Präzisionsbildgebung

Dieses CD-Labor wird radiologische und pathologische Bilder sowie molekulare Daten mithilfe neuer Methoden des maschinellen Lernens integrieren. Dadurch werden neue Vorhersagemodelle für Lungenkrebs und seine individuelle Behandlung entstehen. Das ebnet den Weg für die Entwicklung neuer Konzepte des Maschinellen Lernens (ML) in der Präzisionsbildgebung für bessere individualisierte Behandlungen.

Um den primären (d. h. von den Zellen der Lunge selbst ausgehenden) Lungenkrebs, welcher eine der häufigsten Krebsarten und weltweit die häufigste Krebstodesursache darstellt, zukünftiger sowohl generell effektiver bekämpfen als auch individuell effizienter behandeln zu können, haben die beiden Co-Leiter Georg Langs und Helmut Prosch das CD-Labor für Maschinelles Lernen zur Präzisionsbildgebung als interdisziplinäres Projekt konzipiert, im Rahmen dessen renommierte Wissenschaftler*innen aus den Bereichen von Maschinellem Lernen, medizinischer Bildgebung, Onkologie und Pathologie zusammenarbeiten: Unterstützt von mit praktischen Rechtsfragen befassten Teammitgliedern und externen Expert*innen, welche Patient*innenkohorten und Fachwissen beitragen, wird dabei das Ziel verfolgt, eine neuartige ML-Methodik zu erarbeiten und zu validieren, welche in Zukunft breit anwendbar sein soll, um die individualisierte Versorgung von Lungenkrebspatient*innen zu verbessern.

Diese sehr vielversprechende Integration von KI (künstlicher Intelligenz) und Bildgebung bietet dabei freilich zahlreiche Herausforderungen: Verfügbare klinische Routinedaten sind heterogen, die Patient*innenpopulation ist divers, für die KI -Modelle nutzbare Trainingsdaten sind zahlenmäßig begrenzt und es ist ein höchst komplexes Unterfangen, besagte Modelle permanent auf dem neuesten Stand zu halten, damit sie mit der Verfügbarkeit neuer Therapien und der gleichzeitigen Entwicklung bildgebender Technologien funktionieren, während die rechtlichen Bedingungen für die gemeinsame Nutzung von Datensammlungen ebenfalls ein kompliziertes Thema darstellen.

Um besagte Herausforderungen zu überwinden teilt sich das übergreifende Ziel in vier Teilziele: Erstens sollen Krankheits- und Therapieverläufe quantitativ beurteilt und vorhergesagt werden, zweitens gilt es, Machine Learning auf die große, diverse, heterogene Routinepatient*innenpopulation sowie auf fortlaufend weiterentwickelte und neue entstehende Diagnosetechnologien und Behandlungsmöglichkeiten auszuweiten, anstatt lediglich von fokussierten Studien auszugehen. Drittens wird das Ziel verfolgt, Evidenz in Form großskaliger Daten auf der einen Seite mittels ML mit dem Verständnis zugrundeliegender biologischer Prozesse auf der anderen Seite zu verknüpfen, und schließlich müssen viertens noch die juristischen Voraussetzungen gemeinsamer Datennutzung geklärt werden, während auch KI-Modelle auf großen medizinischen Datensätzen zu erarbeiten und zu trainieren sind.

Die zukünftigen Ergebnisse des ambitionierten Projekts werden wichtige Beiträge dazu leisten, den individuellen Therapieerfolg zu verbessern und dabei auch die Anzahl der von ML in der Therapie profitierenden Patient*innen zu erhöhen, während gleichzeitig eine Basis für Methoden geschaffen wird, deren Anwendbarkeit über den Themenkomplex Lungenkrebs hinausgeht.