Potentiale von KI und Radiomics in der onkologischen Nuklearmedizin

Zusammenfassung

Mit zunehmender Hoffnung und gleichzeitig Sorge beobachten viele Mediziner*innen die jüngsten Entwicklungen auf dem Gebiet der künstlichen Intelligenz. Radiomics und künstliche Intelligenz gehören seit gut fünf Jahren zu den am schnellsten wachsenden methodischen Arbeitsgebieten innerhalb der medizinischen Forschung. Sie versprechen insbesondere, komplexe Zusammenhänge in Bilddaten und strukturierten Patientendaten aufzuspüren und daraus prädiktive Klassifikationen abzuleiten. Mit anderen Worten sollen sie dabei helfen, die rasant zunehmende Komplexität der medizinischen Versorgung zu meistern. Selbst innerhalb eng gefasster Spezialgebiete ist das laufend neu entstehende Wissen oftmals kaum überschaubar und daher in der klinischen Routine nur unvollständig anwendbar. In der Krebsversorgung, etwa bei der onkologischen Phänotypisierung und Therapieoptimierung, ist diese Komplexitätszunahme besonders stark spürbar. Die Nuklearmedizin hat dort bei Diagnose, Staging, Therapieauswahl und Erfolgskontrolle ihren festen Platz, und mit geringem Zeitversatz sind Radiomics und KI auch dort mit schnell wachsenden Publikationsraten angekommen. Innerhalb der KI ist es allen voran das tiefe maschinelle Lernen (Deep Learning), das seit 2015 dabei ist, die konventionelle Mustererkennung fast völlig abzulösen. Anders als das klassische Radiomics besitzt Deep Learning durch das sog. Selbstlernen die Fähigkeit, relevante Muster auch in heterogenen, schlecht standardisierten Daten zu erkennen. Die für komplexe Fragestellungen notwendigen integrierten Daten müssen in vielen Fällen jedoch erst noch in ausreichender Menge verfügbar gemacht werden. Dennoch ist bereits absehbar, dass einige der künftig generierten KI-Vorhersagen nicht mehr vom Menschen nachvollziehbar sein werden. Umso wichtiger werden für die Zukunft eine präzise Zieldefinition sein sowie die enge Kooperationen zwischen methodischer Forschung, klinischer Anwendung und ethischer Begleitforschung.

Abstract

Many physicians are observing the latest developments in the field of artificial intelligence with increasing hope and, at the same time, concern. Radiomics and artificial intelligence have been among the fastest growing methodological fields within medical research for a good five years. In particular, they promise to detect complex correlations in image data and structured patient data and to derive predictive classifications from them. In other words, they should help to master the rapidly increasing complexity of medical care. Even within narrowly defined specialty areas, the perpetually growing knowledge is often hardly manageable and therefore only incompletely applicable in clinical routine. This increase in complexity is particularly noticeable in cancer care, for example in oncological phenotyping and therapy optimization. Nuclear medicine has a firm place there in diagnosis, staging, therapy selection, and outcome monitoring, and with little time lag, radiomics and AI have arrived there with rapidly growing publication rates. Within AI, it is first and foremost deep machine learning, which has been in the process of almost completely replacing conventional pattern recognition since 2015. Unlike classical radiomics, Deep Learning has the ability to recognize relevant patterns even in heterogeneous, poorly standardized data through so-called self-learning. In many cases, however, the integrated data required for complex questions has yet to become available in sufficient quantities. Nevertheless, it is already foreseeable that some of the future AI predictions will no longer be comprehensible by humans. All the more important will be a precise definition of goals and close cooperation between methodological research, clinical application, and accompanying ethical research.

Schlüsselwörter

Onkologie - Nuklearmedizin - Verlaufskontrolle - Radiomics - Künstliche Intelligenz - Mustererkennung

Keywords

Oncology - nuclear medicine - follow-up examination - radiomics - artificial intelligence - pattern recognition

Publication History

Article published online:
31 August 2021

• Literatur

• 1 Hahn HK. Radiomics & Deep Learning: Quo vadis?. Forum 2020; DOI: 10.1007/s12312-020-00761-8.
• 2 WMIF World Medical Innovation Forum: Cancer Disruptive Dozen (2016). Im Internet, Stand: 10.1.2020 https://worldmedicalinnovation.org/wp-content/uploads/2018/09/Partners-FORUM-2016-D12-Cancer.pdf
• 3 Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology 2016; 278: 563-577
• 4 Kumar V, Gu Y, Basu S. et al. Radiomics: the process and the challenges. Magnetic resonance imaging 2012; 30: 1234-1248
• 5 Aerts HJ, Velazquez ER, Leijenaar RT. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 2014; 5: 4006
• 6 Lambin P, Leijenaar RTH, Deist TM. et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol 2017; 14: 749-762
• 7 Hosny A, Parmar C, Coroller TP. et al. Deep learning for lung cancer prognostication: A retrospective multi-cohort radiomics study. PLoS Med 2018; 15: e1002711
• 8 Pfaehler E, Mesotten L, Kramer G. et al. Repeatability of two semi-automatic artificial intelligence approaches for tumor segmentation in PET. EJNMMI Res 2021; 11: 4 DOI: 10.1186/s13550-020-00744-9.
• 9 Borrelli P, Larsson M, Ulén J. et al. Artificial intelligence-based detection of lymph node metastases by PET/CT predicts prostate cancer-specific survival. Clin Physiol Funct Imaging 2021; 41: 62-67 DOI: 10.1111/cpf.12666.
• 10 Lohmann P, Elahmadawy MA, Gutsche R. et al. FET PET Radiomics for Differentiating Pseudoprogression from Early Tumor Progression in Glioma Patients Post-Chemoradiation. Cancers 2020; 12: 3835 DOI: 10.3390/cancers12123835.
• 11 Kebir S, Schmidt T, Weber M. et al. A Preliminary Study on Machine Learning-Based Evaluation of Static and Dynamic FET-PET for the Detection of Pseudoprogression in Patients with IDH-Wildtype Glioblastoma. Cancers (Basel) 2020; (11) 3080 DOI: 10.3390/cancers12113080.
• 12 Toyama Y, Hotta M, Motoi F. et al. Prognostic value of FDG-PET radiomics with machine learning in pancreatic cancer. Sci Rep 2020; 10: 17024 DOI: 10.1038/s41598-020-73237-3.
• 13 Mu W, Jiang L, Zhang J. et al. Non-invasive decision support for NSCLC treatment using PET/CT radiomics. Nat Commun 2020; 11: 5228 DOI: 10.1038/s41467-020-19116-x.
• 14 Choi JH, Kim HA, Kim W. et al. Early prediction of neoadjuvant chemotherapy response for advanced breast cancer using PET/MRI image deep learning. Sci Rep 2020; 10: 21149 DOI: 10.1038/s41598-020-77875-5.
• 15 Li W, Liu H, Cheng F. et al. Artificial intelligence applications for oncological positron emission tomography imaging. Eur J Radiol 2021; 134: 109448 DOI: 10.1016/j.ejrad.2020.109448.
• 16 Betancur J, Commandeur F, Motlagh M. et al. Deep Learning for Prediction of Obstructive Disease From Fast Myocardial Perfusion SPECT: A Multicenter Study. JACC Cardiovasc Imaging 2018; 11: 1654-1663 DOI: 10.1016/j.jcmg.2018.01.020.
• 17 Liu X, Chen K, Wu T. et al. Use of multimodality imaging and artificial intelligence for diagnosis and prognosis of early stages of Alzheimer's disease. Transl Res 2018; 194: 56-67 DOI: 10.1016/j.trsl.2018.01.001.
• 18 McKinney SM, Sieniek M, Godbole V. et al. International evaluation of an AI system for breast cancer screening. Nature 2020; 577: 89-94
• 19 Pisano ED. AI shows promise for breast cancer screening. Nature 2020; 577: 35-36