Automatisierte Bildauswertung verbessert Krebsdiagnosen in der Kinderradiologie

Die Langzeitüberlebensrate liegt bei 70 bis 90 Prozent, jedoch sind die Heilungsaussichten bei Rückfällen gering. Traditionell erfolgt die Diagnose invasiv, zum Beispiel durch Biopsien oder Knochenmarkpunktionen. Radiologische Diagnostik mittels CT und MRT spielt eine wichtige Rolle, doch fehlt bisher eine standardisierte, automatisierte Auswertung.

Das Projekt RACOON-RESCUE, unter der Leitung von Prof. Diane Renz, zielt darauf ab, diese Lücke zu schließen. Die Forschenden aus Kinderradiologie und Kinderonkologie von 38 Universitätskliniken sammeln und analysieren Bilddaten strukturiert, um das Krankheitsstadium, Therapieansprechen und Nachsorge präzise zu bestimmen. Das Projekt ist Teil des Netzwerks Universitätsmedizin (NUM) und wird vom Bundesministerium für Bildung und Forschung mit rund einer Million Euro gefördert.

NHL entsteht durch genetische Veränderungen in den Lymphozyten. Die Erkrankung kann Lymphknoten, Knochenmark, Lunge, Leber und Milz betreffen. Prof. Renz betont die Notwendigkeit einer weniger belastenden radiologischen Untersuchung: "Zur Beurteilung des Ansprechens wollen wir noch mehr auf die für die betroffenen Kinder und Jugendlichen weniger belastenden radiologischen Untersuchungen setzen."

Das Ziel ist es, Informationen aus CT- und MRT-Bildern so zu filtern, dass sie eindeutig zu einem Lymphom-Stadium zugeordnet werden können. Dies soll eine automatisierte Bildanalyse ermöglichen, die das Tumorstadium und das Rückfallrisiko verlässlich bestimmt. Die Forschenden nutzen dabei das "NHL-Berlin-Frankfurt-Münster-Register", das seit 2012 klinische Daten von Kindern und Jugendlichen aller NHL-Untergruppen in Deutschland sammelt.

"Bislang erfolgt die Bestimmung mittels CT und MRT keinem Referenzstandard, an dem sich die Radiologinnen und Radiologen orientieren können", erklärt Prof. Renz. Ein Hauptziel von RACOON-RESCUE ist daher die Entwicklung eines standardisierten, automatisierten Bildanalyse-Tools. Diese neue Methode wird nicht nur radiologische Bilddaten verwenden, sondern auch klinische Daten, um die Vorhersagen über den Therapieerfolg zu verbessern und das individuelle Rückfallrisiko zu bestimmen.

Mit Hilfe künstlicher Intelligenz soll ein einzigartiger Datensatz automatisiert ausgewertet werden. Am Ende soll eine digitale Befundungsmaske entwickelt werden, die Tumorstadien direkt aus CT- und MRT-Bildern bestimmt, das Therapieansprechen bewertet und die Tumornachsorge verbessert.

MEDICA.de; Quelle: Medizinische Hochschule Hannover