Detailseite
Projekt
Entwicklung und externe Validierung von Modellen der künstlichen Intelligenz zur Analyse von CT- und Dosisdaten zur Vorhersage der radiogenen Pneumonitis in Patienten mit Bronchialkarzinomen basierend auf der multizentrischen prospektiven REQUITE Studie
Antragstellerinnen / Antragsteller
Privatdozent Dr. Jan C. Peeken; Professorin Dr. Julia Schnabel, Ph.D.
Fachliche Zuordnung
Radiologie
Förderung
Förderung seit 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 515279324
In diesem Projekt wollen wir ein auf künstlicher Intelligenz (KI) basierendes System zur individualisierten Toxizitätsvorhersage bei Lungenkrebspatienten unter Verwendung der CT-Bildgebung und räumlich-aufgelösten strahlentherapeutischen Dosisverteilungen entwickeln. Die KI-Modelle werden mit prospektiven Daten aus der multizentrischen REQUITE-Studie entwickelt und extern validiert. Zu diesem Zweck wurden fünf Arbeitspakete definiert, um die für die Zielerreichung relevanten Forschungsfragen zu adressieren: (i) Zunächst werden CT- und Dosisdaten aus der prospektiven multizentrischen REQUITE-Studie und einer bestehenden internen Patientenkohorte integriert, präprozessiert und segmentiert. (ii) Hierauf aufbauend werden KI-Modelle entwickelt, die auf Basis von CT- und räumlich aufgelösten Dosisdaten mithilfe von Radiomics Merkmalen und Deep-Learning-Techniken das Auftreten der Strahlenpneumonitis (SP) vorhersagen. Der zusätzliche Wert einer simultanen Multitask-Vorhersage des Gesamtüberlebens wird analysiert. Durch eine bessere Vorhersagemöglichkeit des Auftretens der SP könnten Strahlentherapiepläne besser individuell geplant werden. In Vorarbeiten konnte gezeigt werden, dass bestimmte Lungenregionen empfindlicher für die Entwicklung einer SP sein könnten. (iii) Auf der Grundlage einer Voxel-basierten Dosisanalyse und mittels des Einsatzes von neuronalen Netzen werden intra-pulmonale besonders empfindliche Lungenabschnitte identifiziert werden. (iv) Auf der Grundlage von CT-Daten werden des Weiteren individuelle Hochrisikoregionen mit Hilfe von räumlich aufgelösten Radiomics Merkmalskarten und erklärbaren Deep Learning Methoden identifiziert. (v) Schließlich werden die besten KI-Modelle in ein klinisches Entscheidungsunterstützungssystem integriert, welches eine individualisierte SP-Risikostratifizierung und Überlebensvorhersage ermöglicht sowie Patienten-individuelle Hochrisikoregionen identifiziert. Alle Modelle werden der wissenschaftlichen Gemeinschaft frei online zu Verfügung gestellt.
DFG-Verfahren
Schwerpunktprogramme
