Forscher der Medizinischen Fakultät der Universität Duisburg-Essen (UDE), der Ludwig-Maximilians-Universität München (LMU) und des Berliner Instituts für die Grundlagen des Lernens und der Daten (BIFOLD) haben einen innovativen Ansatz zur personalisierten Medizin unter Verwendung von Künstlicher Intelligenz (KI) entwickelt. Diese Methode integriert verschiedene Datentypen, einschließlich der medizinischen Vorgeschichte, Laborwerte, Bildgebung und genetischer Analysen, um die klinische Entscheidungsfindung zu verbessern.
Aktuelle onkologische Praktiken stützen sich auf starre Bewertungssysteme, die oft individuelle Unterschiede der Patienten wie Geschlecht, Ernährungszustand und Begleiterkrankungen ignorieren. Prof. Frederick Klauschen, Direktor des Instituts für Pathologie der LMU, betont, dass moderne KI-Technologien, insbesondere erklärbare Künstliche Intelligenz (xAI), komplexe Zusammenhänge entschlüsseln können, um die Krebsbehandlung effektiver zu personalisieren.
Die Studie, veröffentlicht in Nature Cancer, nutzte Daten von über 15.000 Patienten mit 38 verschiedenen soliden Tumoren. Die Forscher untersuchten die Interaktion von 350 Parametern, einschließlich klinischer Daten und genetischer Tumorprofile. Dr. Julius Keyl, Klinischer Wissenschaftler am IKIM, bemerkte, dass sie Schlüsselfaktoren identifizierten, die die Entscheidungsfindungsprozesse im neuronalen Netzwerk beeinflussen.
Das KI-Modell wurde mit Daten von über 3.000 Patienten mit Lungenkrebs validiert und lieferte transparente Prognosen, indem es zeigte, wie jeder Parameter die Ergebnisse beeinflusste. Dr. Philipp Keyl hob das Potenzial von KI hervor, klinische Daten im Kontext zu analysieren und so eine personalisierte, datengestützte Krebsbehandlung zu ermöglichen.
Das Forschungsteam beabsichtigt, komplexe Zusammenhänge zwischen verschiedenen Krebsarten zu untersuchen, eine Aufgabe, die mit herkömmlichen statistischen Methoden herausfordernd ist. Prof. Martin Schuler, Geschäftsführer des Nationalen Zentrums für Tumorkrankheiten (NCT), betonte das Potenzial klinischer Studien, um den tatsächlichen Nutzen für Patienten ihrer Technologie zu demonstrieren.