Computerhaus Quickborn

KI bekämpft Krebs​

Ein Deep-Learning-Ansatz hilft, Krebsarten zu erkennen und relevante Biomarker-Signaturen zu identifizieren. shutterstock.com – r.classen Die personalisierte Medizin will Behandlungen individuell auf Patientinnen und Patienten abstimmen. Derzeit basiert sie auf einer begrenzten Anzahl von Parametern, die zur Vorhersage des Krankheitsverlaufs herangezogen werden. Diese Parameter können komplexe Krankheitsverläufe wie Krebs oft nicht ausreichend erfassen. Ein Forschungsteam der Medizinischen Fakultät der Universität Duisburg-Essen (UDE), der Ludwig-Maximilians-Universität München (LMU) und des Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der Technischen Universität Berlin hat mithilfe von Künstlicher Intelligenz (KI) einen neuen Lösungsansatz entwickelt. Auf Grundlage der Smart-Hospital-Infrastruktur des UDE wurden die Daten von 15.726 Patienten ausgewertet, die zwischen 2007 und 2022 eine systemische Krebsbehandlung erhielten. Identifikation von Schlüsselfaktoren und Wechselwirkungen Die Forscher untersuchten das Gesamtüberleben (OS) – die Zeit vom Behandlungsbeginn bis zum Tod – sowie die Zeit bis zur nächsten Therapie (TTNT). Analysiert wurden 350 Parameter, darunter klinische Daten, Laborwerte, Bildgebung und genetische Tumorprofile. Dabei identifizierte das neuronale Netzwerk Schlüsselfaktoren und prognostisch relevante Wechselwirkungen zwischen den Parametern. Einzelne Marker können das komplexe Zusammenspiel von patienten- und tumorspezifischen Variablen jedoch nicht vollständig erfassen. Deshalb ist die Integration verschiedener Datenquellen entscheidend, so die Forscher. Deep-Learning-Ansatz erkennt prognostische Muster unabhängig von Krebsarten Fortschritte im maschinellen Lernen und erklärbarer KI (xAI) ermöglichen hierbei eine präzisere Modellierung und die Krebsbehandlung personalisiert und datenbasiert zu gestalten. Der Deep-Learning-Ansatz der Forscher erkennt prognostische Muster unabhängig von der Krebsart und identifiziert relevante Biomarker-Signaturen ohne Vorwissen. Dies hilft Ärzten, patientenspezifische Informationen zu priorisieren und Therapien anzupassen. Die Methode wurde an 3.288 Lungenkrebspatienten validiert. Es zeigte sich, dass xAI Patientenergebnisse entschlüsseln und maßgeschneiderte Behandlungsempfehlungen auf Basis multimodaler Real-World-Daten liefern kann. Insgesamt identifizierte xAI 114 Schlüsselmarker und 1.373 prognostische Wechselwirkungen. Potenzial der KI-Methode für Notfälle und schnelle Diagnosen In der klinischen Onkologie werden derzeit starre Bewertungssysteme wie Tumorstadien verwendet, die individuelle Unterschiede wie Geschlecht, Ernährungszustand oder Begleiterkrankungen wenig berücksichtigen. Durch xAI können diese komplexen Zusammenhänge entschlüsselt und die Krebsmedizin stärker personalisiert werden. Die Ergebnisse zeigen, dass KI klinische Messwerte im Zusammenhang analysieren kann, um eine personalisierte, datengetriebene Krebstherapie zu ermöglichen. Die Methode könnte auch in Notfällen verwendet werden, um diagnostische Parameter schnell zu bewerten. Die Forscher hoffen, mit ihrer Technologie komplexe, krebsübergreifende Zusammenhänge zu entschlüsseln, die bisher unentdeckt geblieben sind. In Zusammenarbeit mit dem Nationalen Centrum für Tumorerkrankungen (NCT) und dem Bayerischen Zentrum für Krebsforschung (BZKF) wollen sie den Patientennutzen ihrer Technologie in klinischen Studien nachweisen. 

KI bekämpft Krebs​ Ein Deep-Learning-Ansatz hilft, Krebsarten zu erkennen und relevante Biomarker-Signaturen zu identifizieren. shutterstock.com – r.classen Die personalisierte Medizin will Behandlungen individuell auf Patientinnen und Patienten abstimmen. Derzeit basiert sie auf einer begrenzten Anzahl von Parametern, die zur Vorhersage des Krankheitsverlaufs herangezogen werden. Diese Parameter können komplexe Krankheitsverläufe wie Krebs oft nicht ausreichend erfassen. Ein Forschungsteam der Medizinischen Fakultät der Universität Duisburg-Essen (UDE), der Ludwig-Maximilians-Universität München (LMU) und des Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der Technischen Universität Berlin hat mithilfe von Künstlicher Intelligenz (KI) einen neuen Lösungsansatz entwickelt. Auf Grundlage der Smart-Hospital-Infrastruktur des UDE wurden die Daten von 15.726 Patienten ausgewertet, die zwischen 2007 und 2022 eine systemische Krebsbehandlung erhielten. Identifikation von Schlüsselfaktoren und Wechselwirkungen Die Forscher untersuchten das Gesamtüberleben (OS) – die Zeit vom Behandlungsbeginn bis zum Tod – sowie die Zeit bis zur nächsten Therapie (TTNT). Analysiert wurden 350 Parameter, darunter klinische Daten, Laborwerte, Bildgebung und genetische Tumorprofile. Dabei identifizierte das neuronale Netzwerk Schlüsselfaktoren und prognostisch relevante Wechselwirkungen zwischen den Parametern. Einzelne Marker können das komplexe Zusammenspiel von patienten- und tumorspezifischen Variablen jedoch nicht vollständig erfassen. Deshalb ist die Integration verschiedener Datenquellen entscheidend, so die Forscher. Deep-Learning-Ansatz erkennt prognostische Muster unabhängig von Krebsarten Fortschritte im maschinellen Lernen und erklärbarer KI (xAI) ermöglichen hierbei eine präzisere Modellierung und die Krebsbehandlung personalisiert und datenbasiert zu gestalten. Der Deep-Learning-Ansatz der Forscher erkennt prognostische Muster unabhängig von der Krebsart und identifiziert relevante Biomarker-Signaturen ohne Vorwissen. Dies hilft Ärzten, patientenspezifische Informationen zu priorisieren und Therapien anzupassen. Die Methode wurde an 3.288 Lungenkrebspatienten validiert. Es zeigte sich, dass xAI Patientenergebnisse entschlüsseln und maßgeschneiderte Behandlungsempfehlungen auf Basis multimodaler Real-World-Daten liefern kann. Insgesamt identifizierte xAI 114 Schlüsselmarker und 1.373 prognostische Wechselwirkungen. Potenzial der KI-Methode für Notfälle und schnelle Diagnosen In der klinischen Onkologie werden derzeit starre Bewertungssysteme wie Tumorstadien verwendet, die individuelle Unterschiede wie Geschlecht, Ernährungszustand oder Begleiterkrankungen wenig berücksichtigen. Durch xAI können diese komplexen Zusammenhänge entschlüsselt und die Krebsmedizin stärker personalisiert werden. Die Ergebnisse zeigen, dass KI klinische Messwerte im Zusammenhang analysieren kann, um eine personalisierte, datengetriebene Krebstherapie zu ermöglichen. Die Methode könnte auch in Notfällen verwendet werden, um diagnostische Parameter schnell zu bewerten. Die Forscher hoffen, mit ihrer Technologie komplexe, krebsübergreifende Zusammenhänge zu entschlüsseln, die bisher unentdeckt geblieben sind. In Zusammenarbeit mit dem Nationalen Centrum für Tumorerkrankungen (NCT) und dem Bayerischen Zentrum für Krebsforschung (BZKF) wollen sie den Patientennutzen ihrer Technologie in klinischen Studien nachweisen.

KI bekämpft Krebs​

Ein Deep-Learning-Ansatz hilft, Krebsarten zu erkennen und relevante Biomarker-Signaturen zu identifizieren. shutterstock.com – r.classen Die personalisierte Medizin will Behandlungen individuell auf Patientinnen und Patienten abstimmen. Derzeit basiert sie auf einer begrenzten Anzahl von Parametern, die zur Vorhersage des Krankheitsverlaufs herangezogen werden. Diese Parameter können komplexe Krankheitsverläufe wie Krebs oft nicht ausreichend erfassen. Ein Forschungsteam der Medizinischen Fakultät der Universität Duisburg-Essen (UDE), der Ludwig-Maximilians-Universität München (LMU) und des Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der Technischen Universität Berlin hat mithilfe von Künstlicher Intelligenz (KI) einen neuen Lösungsansatz entwickelt. Auf Grundlage der Smart-Hospital-Infrastruktur des UDE wurden die Daten von 15.726 Patienten ausgewertet, die zwischen 2007 und 2022 eine systemische Krebsbehandlung erhielten. Identifikation von Schlüsselfaktoren und Wechselwirkungen Die Forscher untersuchten das Gesamtüberleben (OS) – die Zeit vom Behandlungsbeginn bis zum Tod – sowie die Zeit bis zur nächsten Therapie (TTNT). Analysiert wurden 350 Parameter, darunter klinische Daten, Laborwerte, Bildgebung und genetische Tumorprofile. Dabei identifizierte das neuronale Netzwerk Schlüsselfaktoren und prognostisch relevante Wechselwirkungen zwischen den Parametern. Einzelne Marker können das komplexe Zusammenspiel von patienten- und tumorspezifischen Variablen jedoch nicht vollständig erfassen. Deshalb ist die Integration verschiedener Datenquellen entscheidend, so die Forscher. Deep-Learning-Ansatz erkennt prognostische Muster unabhängig von Krebsarten Fortschritte im maschinellen Lernen und erklärbarer KI (xAI) ermöglichen hierbei eine präzisere Modellierung und die Krebsbehandlung personalisiert und datenbasiert zu gestalten. Der Deep-Learning-Ansatz der Forscher erkennt prognostische Muster unabhängig von der Krebsart und identifiziert relevante Biomarker-Signaturen ohne Vorwissen. Dies hilft Ärzten, patientenspezifische Informationen zu priorisieren und Therapien anzupassen. Die Methode wurde an 3.288 Lungenkrebspatienten validiert. Es zeigte sich, dass xAI Patientenergebnisse entschlüsseln und maßgeschneiderte Behandlungsempfehlungen auf Basis multimodaler Real-World-Daten liefern kann. Insgesamt identifizierte xAI 114 Schlüsselmarker und 1.373 prognostische Wechselwirkungen. Potenzial der KI-Methode für Notfälle und schnelle Diagnosen In der klinischen Onkologie werden derzeit starre Bewertungssysteme wie Tumorstadien verwendet, die individuelle Unterschiede wie Geschlecht, Ernährungszustand oder Begleiterkrankungen wenig berücksichtigen. Durch xAI können diese komplexen Zusammenhänge entschlüsselt und die Krebsmedizin stärker personalisiert werden. Die Ergebnisse zeigen, dass KI klinische Messwerte im Zusammenhang analysieren kann, um eine personalisierte, datengetriebene Krebstherapie zu ermöglichen. Die Methode könnte auch in Notfällen verwendet werden, um diagnostische Parameter schnell zu bewerten. Die Forscher hoffen, mit ihrer Technologie komplexe, krebsübergreifende Zusammenhänge zu entschlüsseln, die bisher unentdeckt geblieben sind. In Zusammenarbeit mit dem Nationalen Centrum für Tumorerkrankungen (NCT) und dem Bayerischen Zentrum für Krebsforschung (BZKF) wollen sie den Patientennutzen ihrer Technologie in klinischen Studien nachweisen. 

Nach oben scrollen