MATTO-GBM Multimodalität Künstliche Intelligenz Open-Source

Unsere Forschung zielt darauf ab, Diagnose und Behandlung des Hirntumors Glioblastom (GBM), zu verbessern. Aufgrund der hohen Rate an Lokalrezidiven (LR) sind diese Tumore schwer behandelbar und die Überlebenschancen gering. Ein Hauptgrund für die hohe LR ist, dass die Behandlungsverfahren für GBM seit Jahrzehnten nahezu unverändert geblieben sind, insbesondere bei der Strahlentherapie (RT). Bei der RT-Planung kann die Bestimmung der Eigenschaften und die genaue Lage des Tumors zum Scheitern der Behandlung beitragen. Derzeit verwenden Ärzte Magnetresonanztomographie (MR), um die Tumorgrenzen sichtbar zu machen. Die mit einem MR-Gerät erstellten Aufnahmen können jedoch nicht zwischen Gewebeveränderungen durch RT (Pseudoprogression) und Veränderungen durch Tumorwachstum unterscheiden. Der Versuch, die Pseudoprogression durch eine zusätzliche Strahlenbehandlung zu beheben, könnte zum Absterben von gesundem Körpergewebe führen. Mit der Positronen-Emissions-Tomographie (PET) hingegen kann gut zwischen Pseudoprogression und tatsächlichem Tumorwachstum unterschieden werden. Daher bietet die Bildgebung mit komplementären PET/MR-Systemen eine All-in-One-Lösung mit überlegener diagnostischer Leistung bei gleichzeitiger Minimierung von Zeitaufwand und Unannehmlichkeiten für Patienten. Die Umsetzung in den klinischen Arbeitsablauf der PET/MR-Bildgebung bei der RT-Planung ist immer noch eine Herausforderung. Die Ärzte in der täglichen RT-Praxis in der Strahlenonkologie müssen die Tumorsegmentierung manuell vornehmen (zeitaufwendig), dazu kommen noch die unterschiedlichen Ansichten der Ärzte (Voreingenommenheit). Außerdem wird die abgegebene Strahlendosis auf der Grundlage der mit der Computertomografie (CT) gemessenen Gewebedichte berechnet. Daher kombinieren und registrieren Ärzte die Segmentierungen von Risikoorganen und Tumoren (aus PET-/MR-Bildern) und die Gewebedichten (aus CT-Bildern), indem sie mehrere medizinische Bilder an einem Standardsystem ausrichten. Dies ist entscheidend für die Bestimmung der Dosierung. Die Registrierung von Bildern, die separat mit CT- und PET/MR-Systemen aufgenommen wurden, kann zu Fehlern führen - eine CT-Synthetisierung aus MR-Bildern wäre vorteilhaft. Wir werden überwachte KI-Algorithmen trainieren, um GBM aus Bildern zu segmentieren. Darüber hinaus werden wir generative KI-Algorithmen entwickeln, um CT aus MR-Bildern zu synthetisieren und Registrierungsfehler zu reduzieren. Diese Algorithmen könnten Patienten helfen, die richtige Strahlendosis zu erhalten. Darüber hinaus werden wir Modelle entwickeln, die den Zeitpunkt und den Ort eines GBM-Rezidivs vorhersagen können. Die daraus resultierende Software wird in einem frei zugänglichen Tool kombiniert, das die Integration unserer Ergebnisse durch verschiedene Gesundheitseinrichtungen ermöglicht, um die GBM-Behandlung auf der Grundlage des individuellen Risikomusters anzupassen. Unsere Arbeit wird einen wesentlichen Schritt in der personalisierten Medizin für GBM darstellen.