Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Konkret geht es um den Diabetes-Patienten mit kardiovaskulären Erkrankungen oder Risiken, die Herzinsuffizienz sowie die kardiovaskuläre Primär- und Sekundärprävention. Sind Sie hier schon auf dem neuesten Stand? Unsere Experten beleuchten, wo und warum das bisherige Procedere geändert werden soll und was in der Praxis sinnvoll ist. Holen Sie sich Ihr Update und 2 CME-Punkte beim MMW-Webinar am 24. April von 17.30 bis 19 Uhr. 
Erweiterte Suche
Anmelden
nach oben
Die Onkologie
Erschienen in: Die Onkologie 10/2023

25.05.2023 | Strahlentherapie | Leitthema

Anwendung künstlicher Intelligenz in der Radioonkologie

Zielvolumendefinition und Organsegmentierung

verfasst von: PD Dr. med. J. C. Peeken, MHBA, S. E. Combs

Erschienen in: Die Onkologie | Ausgabe 10/2023

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Die Bestrahlungsplanung ist ein notwendiger Arbeitsschritt vor Durchführung einer Strahlentherapie. Die Definition von anatomischen Organen, die in direkter Nähe zu der bestrahlten Zielregion liegen, und die Definition des Zielvolumens ist dabei ein zentraler Bestandteil der ärztlichen Tätigkeit einer Strahlentherapeut*In. Die Errungenschaften in der Entwicklung der künstlichen Intelligenz (KI) haben neuronale Netze hervorgebracht, die hocheffektiv zur Segmentierung von medizinischen Bilddaten verwendet werden können.

Ziel der Arbeit

Ziel war die Analyse der Möglichkeiten der KI-basierten Autokonturierung in der Bestrahlungsplanung. Dabei erfolgt die Vorstellung von wissenschaftlichen Arbeiten, die Diskussion klinisch verfügbarer Software und ein Ausblick auf zukünftige innovative Lösungen.

Material und Methoden

Eine Literatursuche (PubMed) wurde durchgeführt, um relevante Literatur zu identifizieren.

Ergebnisse

Erste zugelassene Softwarelösungen ermöglichen die automatisierte Konturierung von anatomischen Organen. Die Segmentierungsgüte erreicht für viele Organe eine hohe Qualität, während bestimmte kleine oder besonders lagevariable Strukturen noch größerer manueller Korrekturen bedürfen. Die Definition von klinischen Zielvolumina, z. B. im Sinne von lokalen Lymphabflusswegen, scheint eine gute Reproduzierbarkeit aufzuweisen. Für verschiedene Tumoren wurde außerdem gezeigt, dass neuronale Netze ebenfalls effektiv und reproduzierbar die Tumorregion definieren können. Weitere Entwicklungen, wie Tumorwachstumsmodelle, könnten außerdem neue individualisierte Definitionswege von Zielvolumina ermöglichen.

Schlussfolgerung

KI-Modelle zur Autokonturierung haben das Potenzial, die Arbeit von Radioonkolog*Innen durch eine Teilautomatisierung zu beschleunigen, den Personalaufwand zu reduzieren und gleichzeitig eine erhöhte Standardisierung zu erreichen.
Literatur
1.
Wannenmacher M, Debus J, Wenz F (Hrsg) (2006) Strahlentherapie. Springer, Berlin, Heidelberg
2.
3.
Truhn D, Schrading S, Haarburger C, Schneider H, Merhof D, Kuhl C (2019) Radiomic versus Convolutional Neural Networks Analysis for Classification of Contrast-enhancing Lesions at Multiparametric Breast MRI. Radiology 290:290–297CrossRefPubMed
4.
Peeken JC, Wiestler B, Combs SE (2020) Image-Guided Radiooncology: The Potential of Radiomics in Clinical Application. In Debus J, Schober O, Kiessling F (eds) Image Guided Radiooncology. Springer Berlin Heidelberg, p. 773–94.
5.
Ronneberger O, Philipp F, U‑Net BT (2015) Convolutional Networks for Biomedical Image Segmentation. MICCAI 9351:234–241
6.
Milletari F, Navab N, Ahmadi S‑A. V‑Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. In: 2016 Fourth International Conference on 3D Vision (3DV). IEEE; 2016.
7.
Isensee F, Jaeger PF, Kohl SAA, Petersen J, Maier-Hein KH (2021) nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods 18:203–211CrossRefPubMed
8.
Navarro F, Shit S, Ezhov I et al (2019) Shape-Aware Complementary-Task Learning for Multi-organ Segmentation. In: MLMI Workshop 2019 MICCAI, S 620–627
9.
Navarro F, Sasahara G, Shit S, et al. A Unified 3D Framework for Organs-at-Risk Localization and Segmentation for Radiation Therapy Planning. In: 2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). IEEE; 2022.
10.
Zabel WJ, Conway JL, Gladwish A et al (2021) Clinical Evaluation of Deep Learning and Atlas-Based Auto-Contouring of Bladder and Rectum for Prostate Radiation Therapy. Pract Radiat Oncol 11:e80–9CrossRefPubMed
11.
Strolin S, Santoro M, Paolani G et al (2023) How smart is artificial intelligence in organs delineation? Testing a CE and FDA-approved Deep-Learning tool using multiple expert contours delineated on planning CT images. Front Oncol 13:1–13CrossRef
12.
Thor M, Apte A, Haq R, Iyer A, LoCastro E, Deasy JO (2021) Using Auto-Segmentation to Reduce Contouring and Dose Inconsistency in Clinical Trials: The Simulated Impact on RTOG 0617. Int J Radiat Oncol Biol Phys 109:1619–1626CrossRefPubMed
13.
Buchner JA, Kofler F, Etzel L et al (2023) Development and external validation of an MRI-based neural network for brain metastasis segmentation in the AURORA multicenter study. Radiother Oncol 178:109425CrossRefPubMed
14.
Primakov SP, Ibrahim A, van Timmeren JE et al (2022) Automated detection and segmentation of non-small cell lung cancer computed tomography images. Nat Commun 13:3423CrossRefPubMedPubMedCentral
15.
Song Y, Hu J, Wu Q et al (2020) Automatic delineation of the clinical target volume and organs at risk by deep learning for rectal cancer postoperative radiotherapy. Radiother Oncol 145:186–192CrossRefPubMed
16.
Wong J, Fong A, McVicar N et al (2020) Comparing deep learning-based auto-segmentation of organs at risk and clinical target volumes to expert inter-observer variability in radiotherapy planning. Radiother Oncol 144:152–158CrossRefPubMed
17.
Schreier J, Genghi A, Laaksonen H, Morgas T, Haas B (2020) Clinical evaluation of a full-image deep segmentation algorithm for the male pelvis on cone-beam CT and CT. Radiother Oncol 145:1–6CrossRefPubMed
18.
Kucharczyk M, Chytyk-Praznik K, Giambattista J et al (2022) 18: A Randomized Blinded Assessment of a Machine Learning Based Autocontouring Tool for Breast Cancer Radiotherapy Compared to Peer-Reviewed Radiation Oncologist Contours. Radiother Oncol 174:S11CrossRef
19.
Shusharina N, Söderberg J, Edmunds D, Löfman F, Shih H, Bortfeld T (2020) Automated delineation of the clinical target volume using anatomically constrained 3D expansion of the gross tumor volume. Radiother Oncol 146:37–43CrossRefPubMed
20.
Peeken JC, Shouman MA, Kroenke M et al (2020) A CT-based radiomics model to detect prostate cancer lymph node metastases in PSMA radioguided surgery patients. Eur J Nucl Med Mol Imaging 47:2968–2977CrossRefPubMedPubMedCentral
21.
Rathore S, Akbari H, Doshi J (2018) Radiomic signature of infiltration in peritumoral edema predicts subsequent recurrence in glioblastoma: implications for personalized radiotherapy planning. J Med Imaging 5:1CrossRef
22.
Peeken JC, Molina-Romero M, Diehl C et al (2019) Deep learning derived tumor infiltration maps for personalized target definition in Glioblastoma radiotherapy. Radiother Oncol 138:166–172CrossRefPubMed
23.
Lipkova J, Angelikopoulos P, Wu S et al (2019) Personalized Radiotherapy Design for Glioblastoma: Integrating Mathematical Tumor Models, Multimodal Scans, and Bayesian Inference. IEEE Trans Med Imaging 38:1875–1884CrossRefPubMedPubMedCentral
24.
Metz M‑C, Ezhov I, Zimmer L et al (2023) Towards Image-Based Personalization of Glioblastoma Therapy A Clinical and Biological Validation Study of a Novel, Deep Learning-Driven Tumor Growth Model, S 1–19
25.
26.
Spohn SKB, Farolfi A, Schandeler S et al (2022) The maximum standardized uptake value in patients with recurrent or persistent prostate cancer after radical prostatectomy and PSMA-PET-guided salvage radiotherapy—a multicenter retrospective analysis. Eur J Nucl Med Mol Imaging 50:218–227CrossRefPubMedPubMedCentral
27.
Peeken JC, Asadpour R, Specht K et al (2021) MRI-based delta-radiomics predicts pathologic complete response in high-grade soft-tissue sarcoma patients treated with neoadjuvant therapy. Radiother Oncol 164:73–82CrossRefPubMed
28.
Peeken JC, Neumann J, Asadpour R et al (2021) Prognostic Assessment in High-Grade Soft-Tissue Sarcoma Patients: A Comparison of Semantic Image Analysis and Radiomics. Cancers (Basel) 13:1929CrossRefPubMed
29.
Lang DM, Peeken JC, Combs SE, Wilkens JJ, Bartzsch S (2021) Deep Learning Based HPV Status Prediction for Oropharyngeal Cancer Patients. Cancers (Basel) 13:786CrossRefPubMed
30.
Navarro F, Dapper H, Asadpour R et al (2021) Development and External Validation of Deep-Learning-Based Tumor Grading Models in Soft-Tissue Sarcoma Patients Using MR Imaging. Cancers (basel) 13:2866CrossRefPubMed
Metadaten
Titel
Anwendung künstlicher Intelligenz in der Radioonkologie
Zielvolumendefinition und Organsegmentierung
verfasst von
PD Dr. med. J. C. Peeken, MHBA
S. E. Combs
Publikationsdatum
25.05.2023
Verlag
Springer Medizin
Erschienen in
Die Onkologie / Ausgabe 10/2023
Print ISSN: 2731-7226
Elektronische ISSN: 2731-7234
DOI
https://doi.org/10.1007/s00761-023-01351-8

Weitere Artikel der Ausgabe 10/2023

Die Onkologie 10/2023 Zur Ausgabe

Epidemiologie

Versorgungsrealität am Beispiel des Kolonkarzinoms

Leitthema

Beitrag der Humangenetik zur Präzisionsonkologie

Einführung zum Thema

Präzisionsonkologie: ein Begriff und viele Facetten

Leitthema

Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie

Leitthema

Personalisierte Prävention und Früherkennung am Beispiel des Lynch-Syndroms

Leitthema

Präzisionsonkologie in Deutschland – transsektorale Vernetzung zum Wohl der Patient:innen

Passend zum Thema

ANZEIGE

Umfrage: Topika mit Dexpanthenol bei Radiodermatitis empfohlen

In der topischen Prävention der akuten Radiodermatitis werden Zubereitungen mit Dexpanthenol oder Harnstoff von deutschsprachigen Fachkreisen in der Radioonkologie am häufigsten empfohlen und als am wirksamsten bewertet. Bei der Behandlung der strahlenbedingten Hautschäden liegen Topika mit Dexpanthenol oder Kortikosteroide vorn [1]. 

ANZEIGE

Handekzem: Adhärenz bei topischer Therapie nicht zufriedenstellend

Einer klinischen Studie zufolge wendet nur etwa die Hälfte der Ekzem-Patient:innen ihre topische Therapie mit Kortikosteroiden wie verordnet an. Darüber hinaus nahm die Adhärenz im Zeitverlauf weiter ab. Bei einer gleichzeitig applizierten barrierestabilisierenden Basiscreme blieb die Anwendungsfrequenz dagegen über die Zeit stabil [1]. 

ANZEIGE

Bepanthen® unterstützt bei vielen Indikationen die Regeneration der Haut

Content Hub

Bepanthen® Wund- und Heilsalbe wird heute wie bei der Einführung vor 70 Jahren erfolgreich bei kleinen Alltagsverletzungen eingesetzt. Moderne Forschung – Untersuchungen an Hautmodellen, Genexpressionsanalysen und klinische Studien – schafft darüber hinaus Evidenz für neue Anwendungsgebiete. So kann die Dexpanthenol-haltige Salbe heute z.B. zur Nachbehandlung einer Lasertherapie bei aktinischer Keratose oder Tattoo-Entfernung eingesetzt werden. Erfahren Sie hier mehr über moderne Forschung zu Bepanthen.

Bayer Vital GmbH

Weitere Lesetipps

ANZEIGE

Spektrum Dermatologie: Jetzt auch auf medbee – die App für Mediziner*innen

ANZEIGE

Dexpanthenol verstärkt die positiven Effekte der LASH-Methode

CME: Kardioonkologisches Update zur Anthrazyklin-Chemotherapie

Zeitdieben in der Praxis den Kampf ansagen

ANZEIGE

Erfolgreiche Therapie von hypertrophen Narben und Keloiden

Gezielt und dauerhaft gegen Akne

Bildnachweise