Radiomics & Deep Learning: Quo vadis?

Zusammenfassung

Der bevorstehende Umbruch der Medizin angesichts der jüngsten Erfolge künstlicher Intelligenz (KI) wurde vielfach beschrieben. Das häufigste Anwendungsfeld ist dabei die Krebsversorgung aufgrund ihrer immensen Komplexität und gesellschaftlichen Bedeutung. Doch welche konkreten Methoden stehen dahinter? Radiomics beschreibt einen systematischen Zugang zur Erforschung prädiktiver Muster auf Basis der Integration klinischer, molekularer, genetischer und bildgebender Parameter, und Deep Learning ist mittlerweile die mit Abstand führende Methode im Bereich der angewandten KI, die sich insbesondere für das Durchforsten komplexer Daten nach ebensolchen prädiktiven und deskriptiven Mustern eignet. Wir beschreiben die Hintergründe der rasanten Zunahme des wissenschaftlichen Interesses an diesen beiden Konzepten seitens der Krebsforschung, ihre Limitationen sowie mögliche Umsetzungsszenarien. Einschränkend ist festzustellen, dass die zugrunde liegenden Daten nicht standardisiert und vielerorts noch nicht integriert sind. Während die initialen Radiomics-Ansätze auf einer Reihe manuell definierter Bildmerkmale beruhten, erlaubt die Kombination mit Deep Learning eine verbesserte Robustheit gegenüber einer variablen Datenqualität und flexiblere Einsetzbarkeit. Insbesondere die detaillierte Analyse der Muster zeitlicher Veränderung, das sog. Delta Radiomics, verspricht eine erhöhte Spezifität bei der Vorhersage des Therapieansprechens. Bei all diesen Entwicklungen ist es wesentlich, die späteren Einsatzszenarien zu klären. Mitunter werden sich Rollen, Schnittstellen und Entscheidungswege verändern, zumal bereits absehbar ist, dass nicht alle der computergenerierten Ergebnisse noch für den Menschen nachvollziehbar sein werden. Konzertierte Anstrengungen werden notwendig sein, um die Potenziale der KI für die Krebsversorgung voll nutzbar zu machen.

Abstract

The imminent transformation of medical care in the face of the recent successes of artificial intelligence (AI) has often been described. The most common field of application is cancer treatment due to its immense complexity and social significance. But what are the concrete methods behind this? Radiomics describes a systematic approach to the exploration of predictive patterns based on the integration of clinical, molecular, genetic and imaging parameters and deep learning has become the leading method by far in the field of applied AI. It is particularly suitable for the identification of both predictive and descriptive patterns in highly complex data. This article describes the background to the rapid increase in scientific interest in these two concepts within the field of cancer research, their limitations and possible implementation scenarios. One restriction is that the underlying data are not standardized and in many places have not yet been integrated. While the initial radiomics approaches were based on a set of manually defined image features, the combination with deep learning enables improved robustness against a variable quality of data and more flexible applicability. In particular, the detailed analysis of patterns of temporal change, so-called delta radiomics, promises an increased specificity in the prediction of treatment response. For all these developments it is essential to clarify the later application scenarios. In many cases roles, interfaces and decision paths will change, especially since it is already foreseeable that not all computer-generated results will be comprehensible to humans. Concerted efforts will be necessary in order to fully exploit the potential of AI for cancer care.