KI in der Therapie: Lokal- und Systemtherapie

Künstliche Intelligenz (KI) nimmt zunehmend Einzug in die onkologische Versorgung. Für jede der drei klassischen Säulen onkologischer Therapie (Strahlentherapie, Chirurgie und Systemtherapie) spielt sie eine zunehmende Rolle. Von automatisierter Konturierung in der Strahlentherapie über KI- und robotergestützte Chirurgie bis zur personalisierten Therapieentscheidung in der medizinischen Onkologie eröffnen KI-Systeme neue Möglichkeiten für präzisere und effizientere Krebsbehandlungen.

KI ist in der Onkologie kein völlig neues Konzept. Traditionelle KI-Systeme, bei welchen es sich oft um regelbasierte Algorithmen handelt, finden seit vielen Jahren Anwendung, beispielsweise als Expertensysteme zur medizinischen Entscheidungsunterstützung [1].

Wenn heute von „KI“ die Rede ist, sind damit primär fortschrittliche Systeme des maschinellen Lernens gemeint. Diese werden auf riesigen Datenmengen trainiert und können eigenständig komplexe Muster und Zusammenhänge lernen [2]. Im Gegensatz zu klassischen, festgelegten Algorithmen können die Entscheidungsprozesse in komplexen, moderneren KI-Systemen zum Teil praktisch nicht mehr nachvollzogen werden. Die Anwendung intransparenter „Black-Box“-Systeme bringt insbesondere im medizinischen Kontext Herausforderungen mit sich.

Gleichzeitig haben die Fähigkeiten moderner KI-Systeme in den letzten Jahren jedoch exponentiell zugenommen, wodurch sich vielfältige neue Anwendungsmöglichkeiten ergeben [3]. Gerade in der Onkologie bestehen enorme Chancen für KI, da hier eine Fülle komplexer Daten (von Genomsequenzen über Bildgebungsdaten bis hin zu klinischen Verläufen) vorliegt. Die Fähigkeit von KI, diese Datenmengen zu analysieren und individuelle Patientensituationen präzise zu klassifizieren, kann dazu beitragen, klinische Entscheidungen zu unterstützen und personalisierte Therapieansätze zu optimieren.

Für jede der drei klassischen Säulen onkologischer Therapie (Strahlentherapie, Chirurgie und Systemtherapie) spielt KI eine zunehmende Rolle (Abb. 1).

Bild vergrößern

Die Radioonkologie als traditionell technische, daten- und IT-gestützte Disziplin hat sich als eines der vielversprechendsten Anwendungsgebiete für KI-Technologien etabliert [4]. Ein Beispiel ist die automatisierte Konturierung (Autokonturierung) von Zielvolumina und Risikoorganen für die Bestrahlungsplanung [5]. Dieses Feld hat in den letzten Jahren erhebliche Fortschritte gemacht und KI ist zunehmend Teil des klinischen Alltags. Neuronale Netzwerke ermöglichen eine automatisierte, präzise und reproduzierbare Segmentierung von Strukturen in Planungs-CT für die Bestrahlungsplanung. Der Einsatz von KI bietet hierbei mehrere Vorteile: Zum einen verkürzt KI die Planungszeit, da Ärztinnen und Ärzte nicht mehr manuell jede Struktur definieren müssen und ein wesentlicher Teil der Arbeit durch KI erledigt wird. Darüber hinaus arbeiten Autokonturierungssysteme konsistent und ihr Einsatz könnte die Inter- und Intraobserver-Variabilität reduzieren, was standardisierte Qualitätssicherung gewährleistet. Studien zeigen, dass KI-generierte Konturen für viele Organe mit manuellen Konturen vergleichbar sind. Besonders bei komplexen anatomischen Strukturen wie Kopf-Hals-Region oder Becken ist Autokonturierung hilfreich [6]. Eine weitere wichtige Anwendung von KI ist die Dosisoptimierung. KI-Systeme können komplexe Dosisverteilungen berechnen und optimale Bestrahlungspläne erstellen, die sowohl die Tumorkontrolle maximieren als auch die Nebenwirkungen minimieren [7, 8]. KI-Systeme können aus Tausenden von Behandlungsplänen lernen und so individuelle, patientenspezifische Lösungen entwickeln.

Die onkologische Chirurgie, als zentrale Lokaltherapie neben der Strahlentherapie, transformiert sich aktuell in Richtung einer zunehmend technologiegestützten Präzisionschirurgie [9]. KI spielt dabei eine immer wichtigere Rolle, von der präoperativen Planung bis zur intraoperativen Navigation und Entscheidungsfindung.

In der präoperativen Planung ermöglichen Algorithmen eine hochpräzise Analyse medizinischer Bilddaten (CT, MRT, PET). Sie identifizieren Tumorgrenzen, erkennen kritische vitale Strukturen und schlagen optimierte Schnittführungen vor [10, 11]. Diese Analysen verbessern die Visualisierung operationsrelevanter Informationen und helfen Chirurgen, die chirurgische Strategie individuell und präziser zu gestalten.

Während des Eingriffs wird die Chirurgie zunehmend durch roboterassistierte Systeme wie den Da-Vinci-Roboter [12] unterstützt. Hier kann KI zukünftig eine entscheidende Rolle in der intelligenten Instrumentenführung, der Echtzeitanalyse von Gewebe im Operationsfeld oder der adaptiven Anpassung an dynamische Gegebenheiten spielen [13].

Ein weiteres vielversprechendes Feld ist die Entwicklung von prädiktiven KI-Modellen für postoperative Komplikationen. Durch die Analyse von Patientenparametern und intraoperativen Daten können diese Modelle das individuelle Risiko für Komplikationen wie Anastomoseninsuffizienz, Blutungen oder Infektionen vorhersagen [14, 15]. Dies ermöglicht eine frühzeitige Risikobewertung, präventive Maßnahmen und somit eine verbesserte Patientensicherheit.

In der medizinischen Onkologie unterstützt KI die Entscheidungsfindung und das Verständnis komplexer Krankheitssituationen. KI-Systeme können komplexe Muster erkennen, die mit Therapieansprechen oder Prognose assoziiert sind. In der Immunonkologie können KI-Systeme beispielsweise helfen, Patienten zu identifizieren, die von modernen Immuntherapien profitieren könnten, indem sie sowohl Tumormerkmale als auch Immunparameter analysieren [16, 17]. Dies ermöglicht eine präzisere Patientenselektion und reduziert unnötige Behandlungen mit potenziell schweren Nebenwirkungen. Ein weiterer Schwerpunkt ist die Vorhersage von Therapieansprechen. KI-Modelle, die klinische Daten, Laborwerte und Bildgebung integrieren, können das Ansprechen auf Chemotherapien, „targeted therapies“ oder Immuntherapien vorhersagen (e.g. [18]). Dies unterstützt Onkologen bei der Auswahl der effektivsten Therapieoptionen und hilft, ein Therapieversagen frühzeitig zu erkennen.

In der klinischen Entscheidungsfindung unterstützen KI-Systeme durch evidenzbasierte Empfehlungen. Diese Systeme analysieren aktuelle Leitlinien, Studiendaten und Patientencharakteristika und generieren individualisierte Therapievorschläge. Wichtig ist dabei, dass diese Empfehlungen transparent und nachvollziehbar sind und die ärztliche Entscheidung nicht ersetzen, sondern ergänzen.

Jenseits von Lokal- und Systemtherapie ist KI dabei, die therapeutische Onkologie allgemein grundlegend zu transformieren, indem sie interdisziplinäre Ansätze fördert. Durch Integration von Daten aus Radiologie, Pathologie, Genomik und Klinik ermöglicht KI eine ganzheitliche Krankheitsbetrachtung [19]. Tumorkonferenzen, in denen die verschiedenen Fachrichtungen gemeinsam die optimale Behandlungsstrategie festlegen, können durch KI-Systeme bereichert werden. Diese Systeme können alle relevanten Informationen bündeln, potenzielle Therapieoptionen basierend auf den neuesten Erkenntnissen vorschlagen und komplexe Interaktionen zwischen verschiedenen Behandlungsmodalitäten aufzeigen [20]. KI kann somit nicht nur innerhalb einzelner Fachbereiche und bei spezifischen Problemen helfen, sondern auch den interdisziplinären Austausch und ganzheitliche Therapiekonzepte fördern.

Trotz des immensen Potenzials von KI für die onkologische Therapie stehen ihrer breiten klinischen Implementierung noch erhebliche Herausforderungen gegenüber (Abb. 2). Viele Systeme zeigen vielversprechende Ergebnisse in der Forschung, doch nur wenige finden den Weg in den klinischen Alltag.

Bild vergrößern

Eine der größten Hürden besteht in der Datenverfügbarkeit und -qualität [21]. Obwohl in der Onkologie viele Daten vorhanden sind, sind diese oft fragmentiert, inkompatibel oder unzureichend annotiert [22]. Für das Training robuster KI-Modelle sind riesige Mengen an qualitativ hochwertigen und gut strukturierten Daten nötig. Der Aufbau großer, interoperabler onkologischer Datenbanken ist eine der größten Herausforderungen.

Weitere Probleme bestehen in regulatorischen und Validierungsfragen. Bevor ein KI-System routinemäßig in der Patientenversorgung eingesetzt werden kann, muss es strenge Zulassungsprozesse durchlaufen [23]. Dies erfordert umfassende klinische Studien, die nicht nur die technische Leistungsfähigkeit, sondern auch den tatsächlichen klinischen Nutzen und die Sicherheit der KI-Anwendungen nachweisen. Hochrelevant ist dies angesichts der Komplexität onkologischer Verläufe und der potenziell weitreichenden Konsequenzen bei Fehlentscheidungen.

Aktuell mangelt es oft noch an ausreichend prospektiven Studien, die einen klaren, patientenrelevanten Vorteil gegenüber traditionellen Methoden nachweisen. Die Entwicklung geeigneter Strukturen für die Zertifizierung und Überwachung von KI-Medizinprodukten ist eine fortlaufende Aufgabe für Behörden weltweit.

Ein weiteres zentrales Problem ist ein möglicher Bias in KI-Systemen [24]. Da KI-Modelle aus den Daten lernen, mit denen sie trainiert werden, können sie bestehende Verzerrungen in den Trainingsdaten (z. B. unterrepräsentierte ethnische Gruppen, seltene Tumorarten oder spezifische molekulare Subtypen) übernehmen und sogar verstärken [25]. Dies kann zu Ungleichheiten in der Versorgung führen, wenn KI-Systeme bei bestimmten Patientengruppen weniger präzise oder effektiv sind. Die Sicherstellung von Fairness und Gerechtigkeit in der Anwendung von KI erfordert ein bewusstes Management des Bias über den gesamten Lebenszyklus eines KI-Systems.

Trotz dieser Hürden überwiegen die potenziellen Vorteile und KI birgt immense Chancen für onkologische Therapien. Von automatisierter Bestrahlungsplanung und KI-gestützten Operationen bis zur Vorhersage des Ansprechens auf Chemo- und Immuntherapie kann KI die Behandlung von Krebspatienten verbessern. Die Überwindung der Herausforderungen erfordert eine konzertierte Anstrengung von Forschung, Industrie, Regulierungsbehörden und medizinischer Fachwelt.