Lungenkrebs ist die weltweit häufigste krebsbedingte Todesursache und hat eine enorme sozioökonomische Bedeutung. Die klinische TNM-Klassifikation zur Bewertung des Krebsstadiums ist ein etablierter Standard in der Diagnostik von Lungenkarzinomen und erfolgt üblicherweise anhand [18F]FDG-Positronen-Emissions-Tomographie und Computertomographie ([18F]FDG PET/CT). Die manuelle Bildbefundung für die Stadieneinteilung erfordert jedoch viel Fachwissen und ist zeitintensiv. Ziel dieses Proof-of-Concept-Projekts ist es, eine Pipeline zur automatisierten TNM-Klassifikation bei nicht-kleinzelligem Lungenkarzinom (NSCLC) auf Basis von maschinellen Lernmodellen zu entwickeln und zu evaluieren. Dazu werden zwei öffentlich verfügbare maschinelle Lernmodelle genutzt, um Tumorläsionen auf PET/CT-Bildern zu segmentieren und anatomisch zu lokalisieren. Diese Modellvorhersagen werden anschließend zur automatisierten Bestimmung des Tumorstadiums auf Grundlage der TNM-Kriterien verwendet. Der Ansatz wird an einem bestehenden, annotierten Datensatz von 402 NSCLC-Patienten getestet. Die Forschung wird das Potenzial und die Herausforderungen dieser innovativen Methode für alle TNM-Unterkategorien untersuchen. Langfristig soll das Projekt die Basis für klinische Studien schaffen, in denen untersucht wird, wie eine solche automatisierte TNM-Klassifikation in die klinische Praxis integriert werden kann, um die Genauigkeit der Stadieneinteilung zu verbessern und radiologische Arbeitsabläufe zu optimieren.