Maschinelles Lernen und Radiomics in der RadioOnkologie

Medizinische Bildgebung stellt heutzutage einen Grundpfeiler der modernen Medizin dar. Insbesondere in der Radioonkologie sind Schnittbildgebungsuntersuchungen, wie z.B. Computertomographien (CT), Magnet Resonanz Tomographien (MRT) oder Positronen Emissions Tomographien (PET), essentiell für Therapieentscheide, die Therapieplanung, die Therapiedurchführung und Patienten Nachsorge.
Verschiedene Publikationen konnten zeigen, dass die quantitative Algorithmus-gestützte Analyse solcher Bildgebungsdaten Informationen gewinnen können, die über die qualitative Bewertung der Daten hinausgehen. Die so entstehende Charakterisierung von Tumoren hat in multiplen Studien z.B. die Prädiktion von molekularen Aberrationen (z.B. Mutationen) oder des Patientenüberlebens ermöglicht.

Das zugrundeliegende Forschungsfeld "Radiomics" bezeichnet dabei die Quantifizierung verschiedener Bildeigenschaften und schließlich die mathematische Modellierung zur Prädiktion von klinischen Endpunkten. Es gibt eine Vielzahl vorbeschriebener Radiomics Parameter, die - angewandt auf Tumore - Eigenschaften wie die Intensitätsstatistik ermitteln, die förmliche Konfiguration erfassen oder die Textur des Tumors quantifizieren (z.B. im Sinne einer "Heterogenität").  Auf Grund der Komplexität der sich daraus ergebenen Datenmengen, bieten sich, neben Methoden der Dimensionsreduktion, Techniken des maschinellen Lernens an, um möglichst genaue Vorhersagen treffen zu können.
Alternativ zu der Erhebung vordefinierter Eigenschaften, bieten neuronale Netze die Möglichkeit die Bilddaten direkt zu analysieren. Das ermöglicht zum einen eine Erlernung gänzlich neuer Parameter und die direkte Prädiktion von Endpunkten durch das neuronale Netzwerk.

Der Radiomics Workflow [1]:

Unsere Forschungsthemen:

Schwerpunkt 1:
Anwendung von maschinellem Lernen und Radiomics zur Verbesserung der Risikoeinschätzung von onkologischen Patienten.

Schwerpunkt 2:
Anwendung von maschinellem Lernen und Radiomics mit dem Ziel einer nicht-invasiven Tumorcharakterisierung.

Schwerpunk 3:
Anwendung von maschinellem Lernen und Radiomics zur Prädiktion von Strahlentherapie-assoziierten Nebenwirkungen und dem Therapieansprechen.

 

Referenz
[1] Peeken JC, Nüsslin F, and Combs SE. “Radio-oncomics” - The potential of radiomics in radiation oncology. Strahlenther Onkol 2017;193:767–79. doi:10.1007/s00066-017-1175-0.

Wir verwenden Cookies um Ihnen den Besuch der Webseite so angenehm wie möglich zu machen. Wir benötigen Cookies um die Dienste ständig zu verbessern, bestimmte Features zu ermöglichen und wenn wir Dienste bzw. Inhalte Dritter einbetten, wie beispielsweise den Videoplayer. Durch die Nutzung unserer Webseite stimmen Sie der Nutzung von Cookies zu. Wir verwenden unterschiedliche Arten von Cookies. Hier haben Sie die Möglichkeit, Ihre Cookie-Einstellungen zu personalisieren:

Einstellung anzeigen.
In unserer Datenschutzerklärung finden Sie weitere Informationen.

Dort können Sie Ihre Cookie-Einstellungen jederzeit ändern.