Algorithmen können Tumore erkennen

Größe, Art und Volumen von Tumoren genaustens zu kennen, ist wichtig, um Krebspatientinnen und -patienten die richtige Therapie zu empfehlen. Grundlage hierfür sind Aufnahmen, die in der Positronen-Emissions-Tomographie (PET) und in der Computertomographie (CT) gemacht werden. Das CT macht die Anatomie des Körpers sichtbar, während das PET die Stoffwechselaktivität von Gewebe misst. Radiologen und Nuklearmedizinerinnen markieren bisher in 2D-Schichtbildern manuell die Konturen von einzelnen Tumoren, um deren Volumen zu erfassen. Teilweise haben Krebspatientinnen und -patienten mehrere Hundert Läsionen – also pathologische Veränderungen, die durch das Wachstum eines Tumors verursacht werden. Um ein einheitliches Bild zu erhalten, müssten alle Läsionen erfasst werden. „Medizinerinnen und Mediziner würden dann mehrere Stunden benötigen, um die Läsionen einzuzeichnen. Bei vielen Tausenden Krebspatientinnen und Krebspatienten pro Jahr am Uniklinikum Tübingen ist das eine sehr zeitintensive Arbeit“, erklärt Prof. Dr. Thomas Küstner, Forschungsgruppenleiter Medical Image and Data Analysis Lab in der Abteilung für diagnostische und interventionelle Radiologie des Universitätsklinikums Tübingen. „Besser wäre es, wenn ein Algorithmus automatisiert die Auswertung übernehmen würde.“

Im Jahr 2021 gingen Küstner und sein Kollege Prof. Dr. Sergios Gatidis auf Prof. Dr. Clemens Cyran und Prof. Dr. Michael Ingrisch vom LMU Klinikum München zu. Die Idee: eine Challenge entwickeln, die die Bildgebung mit dem maschinellen Lernen verbindet. 2022 wurde die erste autoPET-Challenge organisiert, die von April bis September 2022 lief. Forschende aus der ganzen Welt waren eingeladen, Algorithmen für die Auswertung von Tumorläsionen zu entwickeln. 359 Teilnehmende in 27 Teams haben ihre Lösungen eingereicht. Die Ergebnisse wurden auf der International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) im September 2022 präsentiert. „Wir konnten Hunderte Wissenschaftlerinnen und Wissenschaftler weltweit erreichen und dazu motivieren, an dieser wichtigen Fragestellung zu arbeiten. Das war nur im Rahmen einer Challenge möglich", erklärt Gatidis. Alle eingereichten Algorithmen nutzen Deep Learning, eine Form der künstlichen Intelligenz, um die Konturen der Läsionen zu identifizieren. Hierbei werden mithilfe von neuronalen Netzen komplexe Muster und Zusammenhänge in großen Datenmengen erkannt. Die vielversprechendsten Algorithmen haben Küstner und sein Team im Nachgang identifiziert.