E-HEALTH-COM ist das unabhängige Fachmagazin für Gesundheitstelematik, vernetzte Medizintechnik , Telemedizin und Health-IT für Deutschland, Österreich und die Schweiz.
Mehr

Für das ePaper anmelden

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden

Anmelden

Passwort vergessen?

Forschung |

Mit Künstlicher Intelligenz die Behandlung von Prostatakrebs verbessern

Das Forschungsprojekt „PROSurvival“ startete im November 2022 mit dem Ziel, klinische Routinedaten datenschutzkonform für die Forschung bereit zu stellen, um damit verbesserte Therapieentscheidungen für Prostatakrebspatienten zu ermöglichen.

In Westeuropa und Nordamerika ist das Prostatakarzinom (PCa) die am häufigsten diagnostizierte Krebserkrankung bei Männern und die zweithäufigste krebsbedingte Todesursache. Das Prostatakarzinom ist eine sehr heterogene Erkrankung. Die meisten Behandlungsalgorithmen basieren daher auf einer klinischen Risikostratifizierung, d.h. einer Abschätzung des Risikos, dass die Erkrankung zu Komplikationen oder zum Tod führen kann. Im Fall des Prostatakarzinoms geschieht dies auf Grundlage des Tumorstadiums, des PSA-Werts (Prostata-spezifisches Antigen) zum Zeitpunkt der Diagnose und der Gleason-Graduierungs-Gruppe (GG). Obwohl sich diese klinische Risikostratifizierung in der Praxis bewährt hat, weist das GG-Einteilungssystem Unschärfen auf, wodurch oftmals Patienten übertherapiert, z.B. unnötigerweise operiert werden.


Im Rahmen des neu gestarteten PROSurvival-Projekts überprüfen die Forscher*innen, ob mit Hilfe von Künstlicher Intelligenz (KI) aus den histo-pathologischen Bildern der Gewebeproben Muster bestimmt werden können, mit deren Hilfe das biochemische Wiederauftreten des Krebses, beziehungsweise das Überleben des Patienten, verbessert vorhergesagt werden kann. Gelingt dies, wird es möglich, diejenigen Patienten zu identifizieren, die zukünftig sicher auf eine aktive Therapie und damit auf eine Operation verzichten können.


Auch in technischer Sicht betritt das Projekt Neuland: Für das Training der Künstlichen Intelligenz soll ein Ansatz für hybrides föderiertes maschinelles Lernen mit einer prädiktiven Mustererkennung kombiniert werden, um effizientes „Deep-Learning-Training“ an mehreren Standorten zu ermöglichen. Föderiertes Lernen ist ein dezentralisiertes Verfahren im Bereich des maschinellen Lernens, um Modelle mit mehreren Datenlieferanten zu trainieren. Anstatt die Daten auf einem zentralen Server zu sammeln, bleiben die Daten am Ort der Entstehung, da nur die Algorithmen und die Vorhersagemodelle zwischen den Servern ausgetauscht werden. Die Fähigkeit, Modelle in großem Umfang in mehreren medizinischen Standorten zu trainieren, ohne Daten zusammenzuführen, ist von zentraler Bedeutung, um das Problem des Patientenschutzes und der Datensicherheit zu lösen. Bei dem hybriden Ansatz des PROSurvival-Projekts werden die sehr umfangreichen, aber leicht anonymisierbaren pathologischen Bilddaten an zentraler Stelle zu klinisch prädiktiven Musterinformationen verdichtet, während die nur schwierig anonymisierbaren klinischen Daten in den beteiligten Kliniken verbleiben. Dieser Ansatz wird eine datenschutzkonforme Nutzung von Daten aus der medizinischen Routineversorgung für die Forschung erschließen, die sonst nicht genutzt werden könnten.


Das langfristige Projektziel ist, einen standortübergreifenden, digitalen Datensatz von Prostatakarzinom-Daten – samt datenschutzkonformer, dezentraler Rechenumgebung zum Training von Modellen des maschinellen Lernens – für die Forschung bereitzustellen, um die gemeinschaftliche Entwicklung von KI für die Präzisionsmedizin zu unterstützen.


Geleitet wird PROSurvival vom Informatikinstitut OFFIS in Oldenburg. Die Arbeit erfolgt in enger Zusammenarbeit mit dem Fraunhofer-Institut für Digitale Medizin MEVIS, der Charité – Universitätsmedizin Berlin sowie dem Dr. Senckenbergischen Institut für Pathologie der Goethe-Universität Frankfurt. Das Projekt wird vom Bundesministerium für Bildung und Forschung (BMBF) mit 1,4 Millionen Euro über 2 Jahre gefördert.

 

Quelle: Informatikinstitut OFFIS