Die Messung von (metastasierten) Tumoren mittels aufeinanderfolgender Computertomographie (CT)-Scans ist entscheidend für die Beurteilung des Therapieerfolges. Diese Messungen werden in der Regel manuell von Radiologen durchgeführt. Trotz standardisierter Response-Kriterien, ist die Bewertung longitudinaler Veränderungen zeitaufwendig und birgt das Risiko einer Variabilität zwischen den Bewertenden. Um diesen Herausforderungen zu begegnen, kann eine durch künstliche Intelligenz (KI) unterstützte Läsions-Nachverfolgung und Segmentierung eingesetzt werden. Bei ausreichendem Training könnten solche Modelle schnell und zuverlässig longitudinale zeitabhängige Veränderungen erfassen und zusätzliche tumor-assoziierte Informationen, wie das Gesamtvolumen oder longitudinale volumetrische Änderungen, liefern. Dadurch würden weitere Parameter, über durchmesser-basierte Messungen hinaus, möglich, was die Bewertung des Ansprechens bei metastasierten Tumoren verbessern kann. Um KI-basierte Tracking- und Segmentierungsmodelle zu implementieren, sind große repräsentative Trainingsdatensätze mit zuvor volumetrisch annotierten Läsionen in multiplen Organen erforderlich. Bisher stehen der Öffentlichkeit und wissenschaftlichen Gemeinschaft nicht genügend longitudinale Ganzkörper-Trainingsdatensätze zur Verfügung, was die Implementierung verbesserter Algorithmen verhindert. Das Ziel ist, einen vollständig volumetrisch annotierten Ganzkörper-Datensatz aus konsekutiven CT-Untersuchungen von 413 Patientinnen und Patienten bereitzustellen, die eine disseminierte metastatische Erkrankung (>10.000 metastatische Läsionen) in verschiedenen Organen aufwiesen. Darüber hinaus soll ein zweiter Test-Datensatz einer unabhängigen Institution inkludiert werden. Das Ziel ist, den Datensatz öffentlich zu teilen und anschließend in einem Wettbewerb ("Data-Challenge") zu verwenden, um die entwickelten Algorithmen und Algorithmen anderer Wissenschaftlerinnen und Wissenschaftler zu testen, analysieren und evaluieren.