Detailseite
Projekt
Ein Ganzkörper-Radiomics-Ansatz in Patienten mit metastasiertem Melanom unter Systemtherapie: Vollautomatisierte longitudinale Segmentierung und Deep Learning-basierte Outcome-Vorhersage
Antragstellerinnen / Antragsteller
Professor Dr. Thomas Eigentler; Dr. Annika Gerken; Professor Dr. Ahmed Othman; Dr. Felix Peisen
Fachliche Zuordnung
Nuklearmedizin, Strahlentherapie, Strahlenbiologie
Förderung
Förderung von 2019 bis 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 428216905
Die Häufigkeit von Melanomen hat in den letzten Jahrzehnten stetig zugenommen. Die Behandlung von Patienten mit fortgeschrittenem Melanom hat in den letzten Jahren mit der Einführung der Checkpoint-Inhibitoren Ipilimumab (CTLA-4), Nivolumab / Pembrolizumab (PD-1), und Relatlimab (LAG-3) sowie zielgerichteter Therapien mit BRAF- und MEK-Inhibitoren eine Revolution erfahren. Der Einsatz von Immuntherapeutika hat das Gesamtüberleben und das progressionsfreie Überleben der Patienten signifikant verbessert. Um Patienten zu identifizieren, die nicht von einer Immuntherapie profitieren, stehen aktuell lediglich klinische Parameter (z. B. Laktatdehydrogenase (LDH)) und das Vorhandensein von Lungen- oder Lebermetastasen sowie experimentelle Biomarker zur Verfügung. Zum aktuellen Zeitpunkt ist jedoch noch kein Biomarker für den routinemäßigen klinischen Einsatz allgemein akzeptiert. Zusätzliche bildgestüzte Biomarker, welche aus der Schnittbildgebung gewonnen werden können, haben das Potential die klinische Bedeutung der Prädiktionsmodelle signifkant zu verbessern. In der ersten Förderperiode konnten wir den Grundstein für die weitere Evaluation und Verbesserung von Segmentierungsalgorithmen und quantitativen Bildanalysealgorithmen legen. In der zweiten Föderperiode planen wir neuartige Anwendungen in Bezug auf künstliche Intelligenz, insbesondere Deep Learning und erklärbare KI, für die erweiterte Bildanalyse anzupassen und zu implementieren. Die Segmentierung von hochkomplexen CTs von Patienten mit metastasiertem Melanom kann exzellent als Anwendungsbeispiel für klinisch orientierte Algorithmen mit dem Zweck der automatisierten follow-up-RECIST-Auswertung und Radiomics-Analyse dienen. Segmentierungsalgorithmen, die an Patienten mit metastasiertem Melanom trainiert wurden, decken ein breites Spektrum an Läsionstypen ab und können potentiell auf andere Entitäten übertragen werden. Darüber hinaus kommt die Weiterentwicklung von Radiomics einer klinischen Anwendbarkeit durch die Reduzierung manueller Schritte, was zu einem minimalen Aufwand für die klinische Implementierung führt, einen Schritt näher, indem unsere bereits entwickelten Pipelines verbessert werden. Zusammenfassend sind unsere Ziele für die zweite Förderperiode Segmentierungs- und Registrierungsalgorithmen für das automatisierte follow-up von Läsionen, unter Einbeziehung von Ganzkörper-CTs sowie Gehirn-MRT-Daten, anzupassen und zu evaluieren sowie den Arbeitsablauf für den klinischen Einsatz zu optimieren. Weiterhin möchten wir die Entwicklung erklärbarer Deep-Learning-basierter Methoden, die klinische Biomarker und Bildgebungsdaten zur Vorhersage des Therapieansprechens und des Patientenergebnisses bei metastasierendem Melanom kombinieren, vorantreiben und schließlich die verbesserte und evaluierte automatisierte Segmentierungspipeline mit Deep Learning Delta Radiomics für eine patientenbasierte Ergebnisvorhersage von Patienten mit metastasierendem Melanom in die klinische Routine überführen
DFG-Verfahren
Schwerpunktprogramme
Mitverantwortliche
Professorin Dr. Bettina Baeßler; Professor Dr. Thorsten Persigehl
