Der rapide Fortschritt im Bereich der künstlichen Intelligenz und «Radiomics» hat in der Strahlentherapie ein unter den medizinischen Fachrichtungen großes Potential Therapieergebnisse in der Behandlung von Tumorerkrankungen durchgreifend zu verbessern.

In der Strahlentherapie fallen bereits in der klinischen Routinebehandlung eine Vielfalt von multimodalen Bild-, klinischen, biologischen und physikalischen Daten an, deren Potential mit traditionellen Methoden nicht genutzt werden kann.

Medizinische Bilddaten sind eine sehr wichtige und umfangreiche Datenquelle, die deutlich mehr Informationen enthalten als bei bloßer Betrachtung durch den Menschen wahrnehmbar sind. Durch Methoden der Radiomics und künstlicher Intelligenz können diese Informationen zur individuellen Verbesserung von Radio- und kombinierter Radiosystemtherapien genutzt werden.

In der Strahlentherapie hat die Vorhersagekraft künstlicher Intelligenzanwendungen und Radiomics ein großes Potential, da hier nicht nur die Vorhersage von Ansprechwahrscheinlichkeiten verschiedener medikamentöser Therapieoptionen bei kombinierten Radiosystemtherapien einen hohen therapeutischen Nutzen hat, sondern aufgrund der lokal gut modulierbaren Wirkung der Radiotherapie individualisierte ortsbezogene Vorhersagen die Tumorbehandlung tiefgreifend verbessern können. Konkret geht es um die Individualisierung von Bestrahlungszielvolumina z.B. durch probabilistische dreidimensionale Vorhersage bildmorphologisch nicht sichtbarer mikroskopischer Tumorzellen und -infiltration, lokale Dosisintensivierung oder Dosisreduktion durch Identifikation radioresistenter oder radiosensitiver Tumoranteile aber z.B. auch um die individualisierte Entscheidung zur Bestrahlung, z.B. durch prätherapeutische Identifizierung systemtherapieresistenter Metastasen. Diese Vorhersagen haben das Potential die Wirksamkeit der radioonkologischen Tumortherapien zu verbessern und Nebenwirkungen zu vermeiden.

Durch die in der Strahlentherapie häufigen komplexen Kombinationstherapien kommt in der Radioonkologie neben ortsspezifischen Vorhersagen auch noch die zeitliche Dimension für prädiktive Anwendungen hinzu, damit Therapiesequenzen und Kombinationen individuell optimiert werden können, insbesondere bei Immuntherapien.

Ein vielversprechender Forschungsbereich stellt dabei auch die Integration multimodaler, hochdimensionaler Bilddaten mit klinischen, biologisch-immunologischen sowie physikalischen Parametern in der Strahlentherapie dar, da diese mit älteren Methoden nur unzureichend möglich ist.

Zusammenfassend sind künstliche Intelligenz und Radiomics für die Strahlentherapie / Radioonkologie ein optimales Einsatzgebiet, da radioonkologische Therapien durch fortgeschrittene Vorhersagen gut individualisiert und individuell optimiert werden können und dadurch neuartige onkologische Therapiekonzepte entstehen können.  

Die neugegründete Arbeitsgruppe hat das innovative Konzept die Möglichkeiten von Radiomics und künstlicher Intelligenz in der Radiotherapie mit einer starken interdisziplinären Ausrichtung zu erforschen.

• Optimierung und Standardisierung von Bildgebung für die Bestrahlungsplanung und für die anschließende quantitative Auswertung mittels Radiomics und künstlicher Intelligenzanwendungen
• Individualisierung von Zielvolumendefinitionen und dreidimensionale Dosisverschreibung („Dose painting“) auf Basis von Bild-, klinischen und biologischen Daten
• Untersuchung und Prädiktion der räumlichen Verteilung von Tumorrezidiven sowie Untersuchung der Ortsabhängigkeit von Tumorcharakteristika durch Mappingtechniken
• Prädiktion von Ansprechen auf Radio- und Radioimmuntherapien
• Korrelation von Radiomics mit biologischen Daten zu systemischen sowie lokalen Immunreaktionen
• Frühzeitige Erkennung von Therapieversagen, -ansprechen und Toxizität nach Radio- und Radiosystemtherapien
• Bigdata Auswertungen durch Integration elektronischer Datenquellen in Zusammenarbeit mit dem Medizinischen Zentrum für Informations- und Kommunikationstechnik

Universitätsinterne Kooperationen:

Institut für Radiologie
Abteilung für Neuroradiologie
Medizinischen Zentrum für Informations- und Kommunikationstechnik (MIK)
Lehrstuhl Mustererkennung
Chirurgische Forschung, Funktionelle Genomik

Externe Kooperationen:

Institut de Cancérologie Gustave Roussy (Frankreich)
Maria Sklodowska-Curie Institute – Oncology Centre (MSCI) (Polen)

• Ott O, Weissmann T, Roesch J, Mengling V, Siti M, Bert C, Lettmaier S, Schmidt MAS, Dörfler A, Distel L, Fietkau R, Putz F. Volumetric regression in brain metastases after stereotactic RT: Time course and significance. Radiother Oncol. 2020;145(S1)
• Witulla B, Goerig N, Putz F, Frey B, Engelhorn T, Dörfler A, Uder M, Fietkau R, Bert C, Laun FB. On PTV definition for glioblastoma based on fiber tracking of diffusion tensor imaging data. PLoS One. 2020;15(1)
• Filimonova I, Fietkau R, Putz F. Anatomic distribution and relative frequence of lymph node metastases in prostate cancer: Creation of a three-dimensional model of high-risk regions with implications for adjuvant radiotherapy. Strahlenther Onkol. 2019;195(S1)
• Hoffmann C, Distel L, Knippen S, Gryc T, Schmidt MA, Fietkau R, Putz F. Brain volume reduction after whole-brain radiotherapy: quantification and prognostic relevance. Neuro Oncol. 2018 Jan 22;20(2)
• Weissmann T, Lettmaier S, Roesch J, Mengling V, Bert C, Iro H, Hornung J, Janka R, Semrau S, Fietkau R, Putz F. Paragangliomas of the Head and Neck: Local Control and Functional Outcome Following Fractionated Stereotactic Radiotherapy. Am J Clin Oncol. 2019 Nov;42(11)
• Böckelmann F, Hammon M, Lettmaier S, Fietkau R, Bert C, Putz F. Penile bulb sparing in prostate cancer radiotherapy: Dose analysis of an in-house MRI system to improve contouring. Strahlenther Onkol. 2019 Feb;195(2)
• Putz F, Knippen S, Fietkau R. A semiautomatic segmentation pipeline for sequential volumetric assessment of intracranial tumors. Strahlenther Onkol. 2017;193(S1)