Personalisierte Medizien: Multidisziplinaere Forschung in Ri (PersoRad)

Prostatakarzinom (PCa) ist die am häufigsten diagnostizierte Malignität bei männlichen Patienten und die Strahlentherapie (RT) ist eine der Hauptbehandlungsoptionen. Allerdings müssen RT-Konzepte für PCa dringend korrigiert werden, um die RT-Strategie unter Berücksichtigung (i) der individuellen PCa-Biologie und (ii) des individuellen Krankheitsprozesses jedes Patienten zu personalisieren. Das Konsortium verknüpft eine prospektive, nicht-randomisierte Phase-II-Studie für die personalisierte RT von PCa-Patienten (HypoFocal) mit neuen Werkzeugen für die Patientenbeteiligung, fortgeschrittenen "omischen" und bioinformatischen Analysen. Im Detail: (i) Daten, die den klinischen Verlauf und den individuellen PCa-Radiowiderstand (gemessen an yH2AX-Schwerpunkten in Gewebeproben) umfassen, werden durch modernste bildgebende Verfahren (PSMA PET/CT und mpMRI) als radiomischer Ansatz und mit genomischem Profiling der jeweiligen Tumorgewebeproben interpoliert, um Biomarker zu identifizieren, die den Radiowiderstand vorhersagen. Darüber hinaus werden (ii) den in Frage kommenden Patienten der HypoFocal-Studie zusätzlich zu den etablierten Forschungsansätzen der Gesundheitsdienste, wie Interviews und Fokusgruppen, mobile Gesundheitswerkzeuge angeboten, um die Patientenbeteiligung zu erhöhen und die Ergebnisse der Patientenberichte zu erhalten. Künstliche neuronale Netzwerkansätze werden verwendet, um die Ergebnisse zu unterstützen, die in (radio)biologischen Modellsystemen implementiert werden, um die Wahrscheinlichkeit der Tumorkontrolle und der normalen Gewebekomplikation für jeden Patienten in der Zukunft zu berechnen. Neue Online-Tools mit kontrolliertem Zugriff werden den Datenaustausch zwischen den Projektpartnern regeln und ein Höchstmaß an Datenschutz gewährleisten. Dabei ermöglicht die Implementierung neuartiger Computerkomponenten (i) eine unvoreingenommene Charakterisierung der Tumorbiologie für personalisierte Behandlungsplanungsprozesse (ii) eine direkte Integration der Patientenpräferenzen für einen personalisierten Follow-up-Prozess nach RT und (iii) die Charakterisierung von Umwelt- und persönlichen Kontextfaktoren, die die Grundlage für diese Präferenzen bilden.

Prostatakrebs ist eine der am häufigsten diagnostizierten Erkrankungen bei Männern. Eine der wichtigsten Behandlungsmöglichkeiten ist die Strahlentherapie (RT). Eine effiziente RT erfordert eine genaue Lokalisierung des Tumors und der gefährdeten Organe (OAR). Die manuelle Segmentierung von Organen und intraprostatischen Bruttotumorvolumina (GTV) auf der Grundlage von MRT und PSMA-PET/CT unterliegt jedoch einer großen Heterogenität zwischen Beobachtern und ist zeitaufwändig. Daher wurden künstliche intelligente Algorithmen implementiert, um die Leistung automatischer GTV- und OAR-Segmentierungen mithilfe von Convolutional Neural Networks (CNN) zu bewerten. Zunächst wurde eine Literaturrecherche und Untersuchung verschiedener CNN-basierter U-Net-Varianten durchgeführt, um das leistungsstärkste Netzwerk für Prostatasegmentierungsaufgaben zu ermitteln. Fünf U-Net-Varianten wurden anhand eines standardisierten Rahmenwerks anhand von vier Prostata-Datensätzen mit CT- und MR-Modalitäten bewertet und einem Benchmarking unterzogen. Die Ergebnisse zeigten, dass es bei der Verarbeitung kleiner Datensätze erhebliche Unterschiede in der Netzwerkleistung gibt. Diese Arbeit wurde im Juli 2023 in der Zeitschrift Computerized Medical Imaging and Graphics veröffentlicht. Darüber hinaus wurde eine neue Variante der bekannten 2D und 3D U-Nets-Architekturen namens IB-U-Nets entwickelt, die die von der Wirbeltiernetzhaut inspirierte induktive Vorspannung nutzt, um deren Unterscheidungsfähigkeit deutlich zu verbessern. In einem ersten Ansatz wurden die IB-U-Nets allein anhand von Prostatadaten trainiert und die Ergebnisse im AAAI 2022 Workshop on Trustworthy AI for Healthcare veröffentlicht. Um die Präzision der Segmentierung zu verbessern, wurden IB-U-Nets in späteren Phasen darauf trainiert, mehrere Organe, einschließlich Prostata und Blase, basierend auf CTund MR-Volumina zu segmentieren. Die resultierenden IB-U-Nets erwiesen sich als robust gegenüber mehreren Artefakten und Proben außerhalb der Verteilung. Schließlich wurden IB-U-Nets auch darauf trainiert, Tumorvolumina mithilfe von PSMA-PET-Bildern zu lokalisieren. Die leistungsstärksten Modelle wurden verwendet, um eine 3D-Slicer-Erweiterung zu erstellen, die von Mitarbeitern des Gesundheitswesens ohne zusätzliche Eingaben verwendet werden konnte. Die Experimente und Ergebnisse von IB-U-Nets werden in der Zeitschrift Medical Image Analysis besprochen.