Detailseite
Projekt
Entwicklung und Ausrollen einer Pipeline für automatisiertes lymphonodales Profiling und Staging: DEEP-LN
Antragstellerinnen / Antragsteller
Professorin Dr. Bettina Baeßler; Professor Dr. Thorsten Persigehl
Fachliche Zuordnung
Nuklearmedizin, Strahlentherapie, Strahlenbiologie
Förderung
Förderung von 2019 bis 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 428219815
In der Onkologie ist die korrekte Klassifikation des lymphonodalen Befalls von entscheidender Bedeutung für das Patientenmangement und Outcome. Traditionell basiert die Bestimmung der Gesamttumorlast und des Lymphknotenbefalls (N-Staging) bei der Baseline-Untersuchung und bei Follow-Up-Untersuchungen zur Beurteilung des Therapieansprechens ausschließlich auf morphologischen Größenkriterien. Dies birgt jedoch mehrere Limitationen, wie z.B. die begrenzte Spezifität des N-Staging bei vielen soliden Tumorarten oder die hohe Anzahl der befallenen LK bei onkologischen Erkrankungen des lymphatischen Systems, die eine manuelle Segmentierung und Analyse aller möglicherweise befallenen Lymphknoten (LK) in der klinischen Routine unmöglich machen. Daher sind Lösungen, die auf künstlicher Intelligenz (KI) und Radiomics basieren, dringend erforderlich, um die automatische Erkennung, Segmentierung und Charakterisierung von LK zu ermöglichen. In Phase I des SPP 2177 konzentrierten wir uns daher auf die Optimierung von KI-basierten Algorithmen für die vollautomatische Erkennung und Segmentierung von LK für große Datensätze von Hals, Thorax und Abdomen sowie auf die Anwendung von Radiomics zur Charakterisierung von LK. Wir optimierten verschiedene Segmentierungsalgorithmen und Radiomics-Modelle anhand eines Datensatzes und generierten insgesamt 49.711 3D-segmentierte LK. Darüber hinaus entwickelten wir das Open-Source-Framework "AutoRadiomics" mit einer interaktiven Benutzeroberfläche, um einen reproduzierbaren Radiomics-Workflow auch für Nicht-Programmierer zu ermöglichen. Für die nächste SPP-Phase II planen wir, unsere Methodik weiterzuentwickeln, um die Lücke zur klinischen Translation zu schließen. Wir werden dies tun, indem wir 1) unsere trainierten Modelle innerhalb der kollaborierenden Zentren des SPP zur Modellerweiterung und -validierung in einem groß angelegten multizentrischen Rahmen verteilen, 2) neue methodische Ansätze für die Radiomics-Modellierung entwickeln, um die derzeitigen Limitationen vieler Radiomics-Modelle zu beheben, 3) Entwicklung und Einsatz einer vollständigen Pipeline für ein automatisiertes lymphonodales Profiling und Staging (DEEP-LN) unter Verwendung der Joint Imaging Plattform (JIP) des RACOON-Konsortiums und 4) Aufbau einer zentralen KI- und Radiomics-Bildgebungsgruppe innerhalb des SPP zur Untersuchung aller Arten von LK-Erkrankungen und Ausweitung dieses Netzwerks auf internationaler Ebene durch die Einrichtung einer Data Challenge zur automatischen Erkennung und Segmentierung von LK.
DFG-Verfahren
Schwerpunktprogramme
