ESMO-IO 2019 — Radiomics und künstliche Intelligenz in der Immunonkologie


  • Carolina Rojido
  • Univadis
Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten. Der Zugang zum gesamten Inhalt dieser Seite ist nur Angehörigen medizinischer Fachkreise vorbehalten.

Erkenntnis

  • Radiomics ist ein blühendes Feld in der medizinischen Bildanalyse, wobei man sich von Radiomics viel für die Präzisionsmedizin verspricht.
  • Es sind weitere Studien erforderlich, um die prädiktive Leistung und die Verallgemeinerbarkeit von Radiomics-Modellen zu verbessern.    

Warum das wichtig ist

Biopsien gehen mit einer Reihe von Einschränkungen einher:

  • Heterogenität des Tumors.
  • Stichprobengröße.
  • Invasivität für Patienten.

Radiomics ist die Umwandlung konventioneller Bildaufnahmen (CT, MRT) in auswertbare quantitative Daten, die für die morphologische Charakterisierung und das Design von computergestützten Diagnosetests (CAD) oder zur Prognosestellung des Ansprechens (CARP) oder für die biologische Profilerstellung (CABP) verwendet werden können. Die Merkmale von Radiomics erwiesen sich bei Brustkrebs als signifikant mit klinisch relevanten Biomarkern wie ER, PR, HER2 assoziiert.

Ansätze mit Radiogenomics bieten Vorteile:

  • Nicht invasiv.
  • Geht auf Heterogenität ein.
  • Vollständige Tumorlast-Analyse.
  • Ermöglicht eine serielle Nachbeobachtung.

Es gibt aber auch Herausforderungen hinsichtlich:

  • Bilderfassung, Rekonstruktion und Registrierung.
  • Auswirkungen auf die Segmentierung, Übereinstimmung und Automatisierung.
  • Reproduzierbarkeit, Redundanz und Automatisierung von Merkmalen.
  • Modell-Overfitting und statistische versus AI-Modelle.

„Künstliche Intelligenz (AI) scheint zunächst nur für die Radiologie und Pathologie zu gelten, für die Interpretation von Scans, aber auch die mit ihnen verbundene Pathologie und die Prognose von Ergebnissen wird mittel- und langfristig wahrscheinlich besser mittels Computermodellen durchgeführt als mit traditioneller Radiologie. Bald könnte eine große Menge dieser Arbeit von Computermodellen übernommen werden. Das Wichtigste am Anfang ist die Dateneingabe, weil AI sich auf umfangreiche Daten stützt, zum Lernen und letztlich auch zum Erstellen von Algorithmen, die eine Prognose zur Biologie (einschließlich Mutationen) eines Gebiets und zu seinem Ansprechen auf eine Therapie abgeben können.

Ein anderer Bereich ist der Pathologiebefund der Erkrankung im Ist-Zustand. Dieser wird wahrscheinlich mit Methoden ermittelt, die keine individuellen Einfärbungen mehr erfordern, um herauszufinden, um welche Form von Krebs und dessen Mutationen es sich handelt. Das wird dann mittels Algorithmen und Lernmodellen für Computer geschehen, die anhand von mathematischen Modellen zwischen positiven und negativen Befunden zu unterscheiden lernen.

Dies sind leicht zu erreichende Ziele. 

Am Ende werden wir in der Zukunft mittels Big Data und akkuraten Computermodellen auch neue Therapien und neue Ziele entwickeln, wie die Neoantigene.“

Dr. Thomas Powles. Professor für urogenitale Onkologie, Director, Barts Cancer Centre,Leiter der Erforschung solider Tumoren. London, Vereinigtes Königreich.