Krebspatientinnen und -patienten bekommen während und nach ihrer Therapie regelmäßig Computertomographie-(CT)-Untersuchungen, um die Wirkung der Behandlung zu überprüfen. Auf den CT-Bildern messen Radiologen die Tumorgrößen und vergleichen sie mit der Voruntersuchung. Es gibt zwar einen Standard für die Beurteilung, aber aus Zeitgründen kann er nicht immer befolgt werden und der Befund hängt vom Radiologen ab, der ihn erstellt hat. Künstliche Intelligenz (KI) kann hier helfen, indem sie die Größe eines Tumors automatisch bestimmt und ihn in Folgeuntersuchungen selbstständig wiederfindet. Sie kann sogar statt des heute üblichen Durchmessers ein 3D-Volumen angeben. Ein solches KI-Modell muss jedoch auf einer großen Menge von CT-Bildern mit manuell markierten Metastasen trainiert werden. So ein Datensatz mit Metastasen in verschiedenen Organen und mit Verlaufsuntersuchungen desselben Patienten ist bisher nicht öffentlich verfügbar. Daher ist es für Forschende schwer, eine KI für dieses Problem zu entwickeln. Es soll ein Datensatz bereitgestellt werden, der CT-Bilder aus zwei Kliniken von 413 Patientinnen und Patienten und mehr als 10.000 Metastasen enthält. Neben der Veröffentlichung des Datensatzes, soll auch ein Wettbewerb ausgerichtet werden, um Wissenschaftlerinnen und Wissenschaftler zu motivieren, in diesem wichtigen Feld zu arbeiten.

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.

Krebspatientinnen und -patienten bekommen während und nach ihrer Therapie regelmäßig Computertomographie-(CT)-Untersuchungen, um die Wirkung der Behandlung zu überprüfen. Auf den CT-Bildern messen Radiologen die Tumorgrößen und vergleichen sie mit der Voruntersuchung. Es gibt zwar einen Standard für die Beurteilung, aber aus Zeitgründen kann er nicht immer befolgt werden und der Befund hängt vom Radiologen ab, der ihn erstellt hat. Künstliche Intelligenz (KI) kann hier helfen, indem sie die Größe eines Tumors automatisch bestimmt und ihn in Folgeuntersuchungen selbstständig wiederfindet. Sie kann sogar statt des heute üblichen Durchmessers ein 3D-Volumen angeben. Ein solches KI-Modell muss jedoch auf einer großen Menge von CT-Bildern mit manuell markierten Metastasen trainiert werden. So ein Datensatz mit Metastasen in verschiedenen Organen und mit Verlaufsuntersuchungen desselben Patienten ist bisher nicht öffentlich verfügbar. Daher ist es für Forschende schwer, eine KI für dieses Problem zu entwickeln. Es soll ein Datensatz bereitgestellt werden, der CT-Bilder aus zwei Kliniken von 413 Patientinnen und Patienten und mehr als 10.000 Metastasen enthält. Neben der Veröffentlichung des Datensatzes, soll auch ein Wettbewerb ausgerichtet werden, um Wissenschaftlerinnen und Wissenschaftler zu motivieren, in diesem wichtigen Feld zu arbeiten.