Künstliche Intelligenz

Forschungsprojekte

Künstliche Intelligenz zur automatisierten Qualitätssicherung in der Radiotherapie für das Glioblastom-Zielvolumen und die Abgrenzung gefährdeter Organe in klinischen Studien – AQUA RT

Schematische Darstellung des vorgeschlagenen AQUA RT für die automatische Qualitätssicherung der Abgrenzung bei Glioblastom-Patienten. Der obere Teil zeigt die derzeitige manuelle Abgrenzung, die mit dem vorgeschlagenen AQUA-RT-Ansatz verglichen wird (unterer Teil).

Gruppe Reyes  In diesem Projekt wollen wir die Hypothese testen, dass KI-basierte Auto-Segmentierungstechnologien für eine KI-gestützte multikriterielle Qualitätssicherungsbewertung in der Strahlentherapie. Das vorgeschlagene multikriterielle Bewertungsmodell soll eine objektivere Bewertung als herkömmliche Ansätze ermöglichen und gleichzeitig gleichzeitig auf klinisch relevante Aspekte der Strahlentherapie fokussiert werden. Das vorgeschlagene Automated QUality Assurance in RadioTherapy (AQUA-RT) hat das Potenzial, die Konsistenz zu erhöhen, die Abgrenzungsqualität zu verbessern und den Arbeitsaufwand für routinemäßig anspruchsvolle Qualitätssicherungsverfahren zu verringern.

Einfache und genaue Quantifizierung von Mutationssignaturen in Tumoren

Die durchschnittliche Leistung von Signaturanpassungstools für simulierte Mutationskataloge, die acht verschiedenen Krebsarten entsprechen. Alle Kataloge hatten eine geringe Mutationslast (100 Mutationen); die Leistung ändert sich, wenn die Mutationslast zunimmt. – Quellenangabe: Matúš Medo, Charlotte K.Y. Ng, Michaela Medová A comprehensive comparison of tools for fitting mutational signatures preprint DOI: 10.48550/arXiv.2310.01562 (to appear in Nature Communications)

Gruppe Zimmer, Medo   Mutationen im Genom sind oft nicht zufällig, sondern folgen bestimmten Mustern. Diese Muster, Mutationssignaturen genannt, sind Spuren biologischer Prozesse oder früherer Expositionen gegenüber bestimmten Karzinogenen. Mutationssignaturen können zur Aufklärung der Tumorentwicklung beitragen und prognostische und therapeutische Auswirkungen haben.

Die mathematische Schätzung von Signaturaktivitäten ist ein hochdimensionales statistisches Problem. Obwohl viele Tools zur Signaturanalyse entwickelt wurden, zeigte eine aktuelle Analyse, dass kein Tool unter allen Bedingungen die beste Leistung erbringt.

Wir schlagen vor, das leistungsstärkste Tool für eine bestimmte Aufgabe, Krebsart und Anzahl von Mutationen zu ermitteln. Dies wird durch umfangreiche vorherige Tests der vorhandenen Tools an synthetischen Daten unter verschiedenen Bedingungen erreicht. Wir schlagen ausserdem vor, ein neues Tool zu entwickeln, das Mutationen explizit einbezieht, die durch keine bekannte Signatur gut erklärt werden können.

Mit den beiden vorgeschlagenen Tools wollen wir kostspielige Sequenzierungsdaten optimal nutzen und fundierte Entscheidungen für die Behandlung von Patienten treffen.z sowie an der rationalen Entwicklung von Ansätzen der Präzisionsmedizin für ein personalisiertes Krankheitsmanagement, um die klinischen Ergebnisse für Patienten mit Thoraxtumoren zu verbessern.