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.