Künstliche Intelligenz

KI- und Radiomics-basierte Analysen von Ganzkörper-MRTs bei Multiplem Myelom

Beim Multiplen Myelom treten häufig sehr viele über das ganze Skelettsystem verteilte Pathologien auf, welche mit modernen Ganzkörper-MRT-Untersuchungen vollständig erfasst werden können. Die Analyse dieser großen Bilddatensätze mit komplexesten Mustern stellen für Radiolog:innen im klinischen Alltag jedoch eine große Herausforderung dar, da die detaillierte Bildanalyse solcher Datensätze sehr aufwändig ist und nicht alle Details visuell mit höchster Genauigkeit analysiert werden können. 

Daher entwickelt und erforscht unsere interdisziplinäre Gruppe aus Radiolog:innen, Informatiker:innen und Hämatoonkolog:innen seit 2019 modernste Bildanalysemethoden aus dem Bereich der künstlichen Intelligenz und Radiomics, um automatische, detaillierte, objektive Analysen des gesamten Knochenmarks zu ermöglichen.

Bisherige Entwicklungen und Publikationen: 

• Automatische KI-basierte Detektion von fokalen Läsionen:

Unsere Gruppe konnte einen ersten KI-Algorithmus entwickeln, der automatisch fokale Myelomläsionen aus MRTs detektieren kann, was eine automatische Abschätzung der Tumorlast aus dem MRT ermöglicht.

• Automatische KI-basierte Knochenmarkssegmentierungen:

Unsere Gruppe konnte mehrere KI-Algorithmen entwickeln, die automatisch das Knochenmark segmentieren können. Dies ermöglicht es, die entscheidenden Bildanteile aus dem Ganzkörper-MRT für nachgeschaltete Analysen zu isolieren.

• Radiomics-Modelle zur Vorhersage von Biopsieergebnissen oder Therapieansprechen:

Basierend auf den automatisch segmentierten Knochen können mittels Radiomics-Analysen Biopsieergebnisse oder das Therapieansprechen automatisch aus dem MRT vorhergesagt werden.

Ziel unser unserer Arbeitsgruppe ist es, KI- und Radiomics-gestützte Ganzkörper-MRT-Analysen langfristig als verlässliche Entscheidungsgrundlage in der onkologischen Bildgebung zu etablieren.

 

Künstliche Intelligenz in der urologischen Radiologie

Die künstliche Intelligenz (KI) gewinnt in der radiologischen Diagnostik, insbesondere bei der Prostata-MRT, zunehmend an Bedeutung. Unsere Forschung zeigt, dass KI-basierte Verfahren die Auswertung von MRT-Bilder und damit die Diagnostik deutlich unterstützen können.

Moderne KI-Algorithmen analysieren MRT-Aufnahmen automatisch und erkennen Muster, die auf Prostatakrebs hinweisen. In großen internationalen Studien konnte gezeigt werden, dass solche Systeme bei der Erkennung klinisch relevanter Tumoren relevante Beiträge leisten können. Gleichzeitig können sie helfen, die Diagnostik zu standardisieren und die Abhängigkeit von individueller Erfahrung zu reduzieren.

Ein weiterer wichtiger Ansatz ist die Kombination von KI mit etablierten klinischen Bewertungssystemen (z. B. PI-RADS). Studien aus Heidelberg zeigen, dass dadurch die Risikoeinschätzung verbessert und unnötige Prostatabiopsien reduziert werden können – in Modellanalysen um bis zu etwa die Hälfte, ohne relevante Tumoren zu übersehen.

Ziel dieser Entwicklungen ist es, die Diagnostik für Patient:innen sicherer, präziser und schonender zu machen. Die KI dient dabei nicht als Ersatz, sondern als unterstützendes Werkzeug für Radiolog:innen, um fundierte und individuelle Therapieentscheidungen zu ermöglichen.

 

KI- und simulationsgestützte translationale Spin-Lock-MRT

Die Spin-Lock-MRT ist ein spezialisiertes MRT-Verfahren, das Gewebe auf einer besonders sensitiven physikalischen Ebene charakterisiert. Sie reagiert auf molekulare Beweglichkeit, Austauschprozesse und Wechselwirkungen mit makromolekularen Gewebebestandteilen. Dadurch entstehen zusätzliche Bildkontraste, die Hinweise auf Tumorstruktur, Nekrose, Fibrose, Entzündung und frühe Therapieeffekte liefern können.

Klinisch eröffnet die Methode neue Möglichkeiten in der onkologischen Bildgebung. Sie ergänzt etablierte MRT-Protokolle um eine funktionelle Gewebeperspektive und unterstützt die Charakterisierung von Läsionen, die Beurteilung des Therapieansprechens und die Einordnung komplexer Tumorveränderungen.

Unser Forschungsfokus liegt auf KI- und simulationsgestützter Spin-Lock-MRT. Wir verbinden physikalische Modellierung, Sequenzsimulation, Phantomexperimente,,Bildregistrierung und datengetriebene Analyse bis hin zur Anwendung an Proband:innen und Patient:innen. So entsteht eine translationale Plattform zwischen Radiologie, MR-Physik, Informatik und KI-gestützter Bildanalyse. Ziel ist es, aus komplexen MRT-Signalen robuste Informationen für Diagnostik und Therapiemonitoring zu gewinnen.