Künstliche Intelligenz in der Bestrahlungsplanung: Mehr Präzision durch maschinelles Lernen
Digitalisierung und künstliche Intelligenz (KI) gewinnen in vielen Bereichen an Bedeutung. Für eine ganze Reihe von Anwendungen liegt der Fokus auf bekannten Sprachmodellen (LLMs) wie Claude oder ChatGPT. Die Möglichkeiten der KI-Bildauswertung sind besonders für die Radiologie interessant, zum Beispiel im Hinblick auf eine höhere Effizienz bei der Befunderstellung.
KI bietet darüber hinaus weitere Einsatzmöglichkeiten in der Radiologie, wie die Einbindung in eine bildgeführte Strahlentherapie. Diese Methode setzt darauf, dass nicht nur anhand einer Planungsaufnahme die gesamte Bestrahlung durchgeführt wird, sondern während der Behandlung regelmäßig Kontrollaufnahmen stattfinden und die Therapie angepasst wird. Besonders im Zusammenhang mit der Echtzeit-Adaption kann KI die Auswertung unterstützen.
Autokonturierung – KI als Tool zur Zielfestlegung
Wichtige Fakten auf einen Blick:
- KI-Modelle sind in der Lage, kritische Strukturen in radiologischen Aufnahmen zu erkennen.
- Durch die Automatisierung der Bildauswertung entsteht ein Zeitvorteil gegenüber der manuellen Konturierung.
- Das Training der KI-Modelle bleibt weiterhin eine Herausforderung.
In der Strahlentherapie ist die Definition der Zielvolumina essenziell. Es gehört zu den Aufgabe der Radioonkologen, unter anderem den sichtbaren Tumor (Gross Tumor Volume, GTV) oder das klinische Zielvolumen (Clinical Target Volume,CTV) inklusive der mikroskopischen Ausdehnung sowie der Risikoorgane (Organs at Risk, OAR) als therapierelevante Areale zu identifizieren und manuell in den Planungsbildern zu markieren.
Dabei bestehen mehrere Herausforderungen. So kann es beim Patienten gegebenenfalls erforderlich sein, mehrere Dutzend Bereiche zu markieren, was mit einem entsprechenden Zeitaufwand verbunden ist. Zudem besteht die Gefahr, dass verschiedene Betrachter die in den Aufnahmen abgebildeten Strukturen unterschiedlich voneinander interpretieren und im Ergebnis ein und dieselbe Struktur anders markiert wird (Interobserver-Variabilität).
Der Einsatz von KI verspricht gleich mehrere Vorteile. Einerseits kann Deep Learning in der Bildauswertung zu einer erheblichen Steigerung der Effizienz führen, da die Aufnahmen schneller analysiert und kritische Bereiche markiert werden. Auf der anderen Seite reduziert sich die Interobserver-Variabilität, da die Strukturen in den Bildern gleich und ohne subjektive Wahrnehmung betrachtet werden. Die mit der Autokonturierung definierten Zielvolumina können allerdings immer noch Fehler enthalten und werden daher erst nach einer Prüfung durch Fachärzte für die Integration in den Bestrahlungsplan freigeben.
Studien zeigen, dass entsprechend trainierte Software durchaus in der Lage ist, Risikoorgane zu identifizieren und abzugrenzen. Allerdings lassen sich hier auch Limitierungen des Einsatzes von KI erkennen. Die Systeme müssen mit erheblichem Aufwand trainiert werden und erreichen (zum aktuellen Stand) nicht bei allen Patientengruppen – zum Beispiel in der Bewertung von Scans Erwachsener und Kinder (die Trefferquote geht bei Heranwachsenden zurück, wenn die Modelle vorher nicht entsprechend trainiert werden) aus einer Computertomographie (CT) – dieselbe Qualität [1].
Praxisbeispiel: Konturierung mit KI bei Verdacht auf Brustkrebs
Dass die KI-Unterstützung inzwischen einen sehr hohen Standard erreicht, zeigen studienbasierte Anwendungsbeispiele, wie Untersuchungen an Brustkrebspatientinnen, für die mit KI eine Konturierung verschiedener Tumor- und Risikoareale vorgenommen wurde. Das Ergebnis zeigte bei den Konturen eine hohe Genauigkeit von 98 Prozent der Vorschläge, bei denen keine oder nur wenige Korrekturen notwendig waren. Für die Zielvolumina lag diese Quote immerhin noch bei mehr als 86 Prozent [2].
Online-adaptive Radiotherapie: KI-Unterstützung in Echtzeit
Wichtige Fakten auf einen Blick:
- Veränderungen der Tumore oder beweglicher Organe beeinflussen das Ergebnis der Strahlentherapie.
- Anhand von Aufnahmen vor jeder Bestrahlung lassen sich Anpassungen vornehmen.
- Es wird eine Schonung des gesunden Gewebes und eine bessere Dosisverteilung im Tumor erreicht.
Die online-adaptive Radiotherapie (oART) entwickelt sich zu einer Methode im Rahmen der Strahlentherapie mit wachsender Bedeutung. Dabei handelt es sich um eine konsequente Weiterentwicklung der adaptiven Strahlentherapie. Diese zielt mithilfe der Bildgebung zwischen den Fraktionen (Bezeichnung der einzelnen Therapiesitzungen) darauf ab, die Bestrahlung an strukturelle Veränderungen des Tumors oder der Risikoorgane anzupassen.
Mit der oART wird die Methode dahingehend verbessert, dass direkt vor jeder Fraktion eine Bildakquisition stattfindet. Als bildgebende Verfahren kommen die CT und die Magnetresonanztomographie (MRT) zum Einsatz. Um eine schnelle Befundung der Aufnahmen und damit die zügige Adaption des Bestrahlungsplans zu erreichen, setzen die Hersteller der Geräte auf die Einbindung von KI und Deep Learning.
Von der Verbindung aus Bildgebung, KI und Strahlentherapie erhofft sich die Medizin eine Verringerung der Konturierungs-/Planungszeit sowie eine Verbesserung der therapeutischen Ergebnisse. Eine dänische Studie kommt zu dem Ergebnis, dass mithilfe von KI-basierten Lösungen durchaus ein signifikanter Zeitgewinn für die Abgrenzung der Zielgewebe realisierbar ist [3]. Durch eine Veränderung des Bestrahlungsplans unter Berücksichtigung aktueller Veränderungen des Tumors lassen sich Risikoorgane noch besser vor der Wirkung der Strahlung schützen, gleichzeitig aber auch die Dosis im Zielvolumen optimal ausnutzen. Dass dieses Ziel erreicht werden kann, zeigen unter anderem Studien an Pankreaskarzinomen, in denen eine kontinuierlich hohe Abdeckung des Zielvolumens durch die Adaption erreicht wurde und darüber hinaus nur bei wenigen Patienten radiotoxischen Nebenwirkungen auftraten [4] [5].
Mehr über LifeLink
Finden Sie jetzt die
Praxis in Ihrer Nähe!
Wir sind überzeugt, dass die Medizin von morgen anders aussehen sollte. Wir sehen den Menschen im Mittelpunkt exzellenter Medizin.
Einsatz von KI in der Erarbeitung von Bestrahlungsplänen
Wichtige Fakten auf einen Blick:
- Auf Basis historischer Plandaten kann KI in die Entwicklung aktueller Bestrahlungspläne eingebunden werden.
- Die Modelle berechnen die Dosisverteilung im Zielvolumen sehr schnell und genau.
- KI kann zudem zur Qualitätssicherung eingesetzt werden.
Die Grundlage der Strahlentherapie ist der initiale Bestrahlungsplan, der basierend auf den diagnostischen Erkenntnissen entwickelt wird. Dabei spielen verschiedene Aspekte wie die Ausdehnung des Zielvolumens mit den Sicherheitsrändern, die Lage der Risikoorgane und der Bestrahlungswinkel eine Rolle. Bei allen drei Aspekten setzt die medizinische Forschung zunehmend auf KI und Deep Learning.
Aber auch im Zusammenhang mit der Entwicklung des eigentlichen Bestrahlungsplans bieten Entwickler mittels KI inzwischen Lösungen an, um die zeitliche Effizienz (schnelle Erstellung der Pläne) und die Abdeckung zu optimieren. Im Rahmen einer taiwanesischen Studie konnte dieser Planungsansatz nicht nur bezüglich einer potenziellen Belastung der Risikoorgane bei Nasopharynxkarzinomen überzeugen. Die verwendete Softwarelösung entwickelte qualitativ sehr hochwertige Bestrahlungspläne für die intensitätsmodulierte Bogenbestrahlung (Volumetric Modulated Arc Therapy) [6].
Die Besonderheit: Das Planungssystem basierte auf einem Machine-Learning-Ansatz, der in den Trainingsprozess verfügbare Patientendaten eingebunden hat, um daraus Dosisvorhersagen für einen vorliegenden, ähnlichen Fall zu entwickeln. Die Trainingsdaten erlaubten dem System, ein Modell für das Zielvolumen und die Risikoorgane zu entwickeln, um die optimale Strahlendosis zu berechnen.
Fazit: KI gewinnt bei der Planung und Anpassung von Bestrahlungen zunehmend an Einfluss
Die Bedeutung von KI wächst auch in der Radiologie und Strahlentherapie zunehmend. Letztere spielt in der Behandlung vieler Tumore eine große Rolle und ist für die Onkologie ein wichtiges Behandlungselement. Dabei bietet KI heute erhebliche Vorteile, zum Beispiel in der Entwicklung des Bestrahlungsplans oder bei einer Anpassung als Reaktion auf tägliche Tumorveränderungen. Diese bestehen nicht nur in der Steigerung der Effizienz, sondern auch in der Verringerung des Risikos für umliegendes Gewebe und der Dosiseskalation im Zielvolumen.
FAQ zu KI in der Bestrahlungsplanung: Die wichtigsten Fragen und Antworten
Nutzt jede Radiologiepraxis KI-Modelle für die Planung der Strahlentherapie?
Nein, nicht jede Radiologiepraxis oder Klinik setzt KI-Modelle in der Strahlentherapie ein. Die Verfügbarkeit der technischen Ausstattung und entsprechend geschulter Mitarbeitern sind in diesem Zusammenhang wesentliche Faktoren. Besonders in großen Radiologiezentren und Universitätskliniken erfolgt aber eine zunehmende Implementierung KI-gestützter Autokonturierung und Planoptimierung. Angesichts der hohen Dynamik wird die Bedeutung von Deep Learning, Automatisierung und KI in diesem Bereich mittelfristig mit sehr hoher Wahrscheinlichkeit weiter zunehmen.
Für welche Tumore werden KI-Lösungen verwendet?
KI-gestützte Verfahren zur Bestrahlungsplanung und Optimierung werden bei Tumoren eingesetzt, die durch eine komplexe Anatomie und empfindliche Risikoorgane nahe dem Zielvolumen charakterisiert sind. In verschiedenen Studien lag der Fokus unter anderem auf Prostatatumoren, Neubildungen im Kopf-Hals-Bereich sowie Brustkrebs und ZNS-Tumoren. Ein weiteres Einsatzgebiet sind thorakale Tumore, bei denen die Atmung zur Herausforderung für die Bestrahlung wird.
Welche Nebenwirkungen können trotz einer Optimierung des Bestrahlungsplans auftreten?
Auch mit KI-gestützten Bestrahlungsplänen lassen sich Nebenwirkungen nicht vollständig vermeiden. Mögliche akute Nebenwirkungen sind – abhängig von der bestrahlten Körperregion – Hautrötungen, Schleimhautentzündungen, Müdigkeit und Übelkeit. Langfristig können Fibrosen, Lungenveränderungen oder sekundäre Malignome entstehen. KI unterstützt zwar dabei, die Wirkung der Strahlung präzise zu steuern, kann die Risiken der Strahlentherapie aber nicht vollständig eliminieren. Eine sorgfältige Nachsorge und individuelle Abwägung im Therapiekonzept sind deshalb weiterhin entscheidende Elemente der Behandlung.
[1] Meyer C, Huger S, Bruand M, Leroy T, Palisson J, Rétif P, Sarrade T, Barateau A, Renard S, Jolnerovski M, Demogeot N, Marcel J, Martz N, Stefani A, Sellami S, Jacques J, Agnoux E, Gehin W, Trampetti I, Margulies A, Golfier C, Khattabi Y, Cravéreau O, Renan A, Py JF, Faivre JC. Artificial intelligence contouring in radiotherapy for organs-at-risk and lymph node areas. Radiat Oncol. 2024 Nov 21;19(1):168. doi: 10.1186/s13014-024-02554-y. Erratum in: Radiat Oncol. 2025 Jan 22;20(1):13. doi: 10.1186/s13014-025-02586-y. PMID: 39574153; PMCID: PMC11580215.
[2] Prunaretty J, Mekki F, Laurent PI, Morel A, Hinault P, Bourgier C, Azria D, Fenoglietto P. Clinical feasibility of Ethos auto-segmentation for adaptive whole-breast cancer treatment. Front Oncol. 2024 Dec 10;14:1507806. doi: 10.3389/fonc.2024.1507806. PMID: 39720564; PMCID: PMC11666488.
[3] Konrad ML, Brink C, Bertelsen AS, Lorenzen EL, Celik B, Nyborg CJ, Dysager L, Schytte T, Bernchou U. Feasibility and time gain of implementing artificial intelligence-based delineation tools in daily magnetic resonance image-guided adaptive prostate cancer radiotherapy. Phys Imaging Radiat Oncol. 2024 Dec 28;33:100694. doi: 10.1016/j.phro.2024.100694. PMID: 39885904; PMCID: PMC11780162.
[4] Lee A, Pasetsky J, Lavrova E, Wang YF, Sedor G, Li FL, Gallitto M, Garrett M, Elliston C, Price M, Kachnic LA, Horowitz DP. CT-guided online adaptive stereotactic body radiotherapy for pancreas ductal adenocarcinoma: Dosimetric and initial clinical experience. Clin Transl Radiat Oncol. 2024 Jul 7;48:100813. doi: 10.1016/j.ctro.2024.100813. PMID: 39149753; PMCID: PMC11324999.
[5] El-Bared N, Portelance L, Spieler BO, Kwon D, Padgett KR, Brown KM, Mellon EA. Dosimetric Benefits and Practical Pitfalls of Daily Online Adaptive MRI-Guided Stereotactic Radiation Therapy for Pancreatic Cancer. Pract Radiat Oncol. 2019 Jan;9(1):e46-e54. doi: 10.1016/j.prro.2018.08.010. Epub 2018 Aug 25. PMID: 30149192.
[6] Lu SH, Wang CW, Liang HK, Chang CK, Lan HT, Lai SF, Huang BS, Yu Chen W. Knowledge-Based RapidPlan Volumetric Modulated Arc Therapy Model in Nasopharyngeal Carcinoma. Adv Radiat Oncol. 2025 Jan 13;10(5):101716. doi: 10.1016/j.adro.2025.101716. PMID: 40255218; PMCID: PMC12008150.
