RACOON-MARDER: KI-Forschung zur Früherkennung des hepatozellulären Karzinoms

Herr Prof. Denecke, was verbirgt sich hinter dem Namen RACOON-MARDER?

Das Projekt, das ich mir ausgedacht habe, heißt RACOON-MARDER.

MARDER ist ein Akronym und steht im Prinzip für KI-Forschung an Leber-MRT-Daten. Der Name ist – ähnlich wie das Mutterprojekt RACOON, der Waschbär – an die Zoologie angelehnt. So ist das Ganze entstanden.

Mit MARDER möchten wir das Netzwerk Universitätsmedizin und RACOON nutzen, um rasch große Datenmengen zusammenzutragen, die gut ausgewählt sind und einheitlich immer dasselbe Szenario abbilden: die Situation von Patienten mit einem erhöhten Risiko, ein hepatozelluläres Karzinom (HCC) zu entwickeln. Dieses erhöhte Risiko besteht in der Regel aufgrund einer chronischen Lebererkrankung, etwa einer Leberzirrhose oder Leberfibrose.

Unser Ziel ist es, den Zeitpunkt vor der Entstehung des bösartigen Tumors zu erfassen, um zu untersuchen, ob wir mithilfe künstlicher Intelligenz ein HCC vorhersagen können. Anders gesagt: Wir möchten einem Patienten bereits im Vorfeld ein individuelles Risiko zuschreiben, später ein hepatozelluläres Karzinom zu entwickeln.

Warum ist das so wichtig? Patienten mit einem erhöhten Risiko werden in Screening-Programme aufgenommen. Das betrifft sehr viele Menschen. Entsprechend ist ein solches Screening aufwendig und teuer, wenn am Ende nur vergleichsweise wenige Tumoren entdeckt werden.

Derzeit erfolgt das Screening in der Regel mittels Ultraschall, auch ohne Ultraschall-Kontrastmittel oder ähnliches. Dabei besteht jedoch die Schwierigkeit, dass man nicht immer die gesamte Leber beurteilen kann oder kleine Tumoren, die sich besonders gut behandeln ließen, nicht frühzeitig erkennt.

Man könnte diese Patienten natürlich stattdessen mit einem besseren bildgebenden Verfahren wie der MRT untersuchen. Die MRT ist zwar strahlenfrei, aber auch deutlich teurer. Das bedeutet, man investiert sehr viel, um wenige Fälle herauszusammeln, bei denen man ein hepatozelluläres Karzinom früher und wirksamer behandeln kann.

Hinzu kommt ein zweites Problem: die begrenzte Ressource MRT. Sowohl die Geräte als auch die Menschen, die sie bedienen – unsere MTRs – sind knapp. Die notwendigen Kapazitäten könnten wir daher gar nicht bereitstellen.

Der entscheidende Punkt ist deshalb, eine Subpopulation zu identifizieren, bei der das Risiko, ein hepatozelluläres Karzinom zu entwickeln, so hoch ist, dass sich der Einsatz der teuren und nur begrenzt verfügbaren MRTs für regelmäßige Untersuchungen lohnt. Genau hier setzen wir an. Dieses individuelle Risiko möchten wir mithilfe der KI-Auswertung bereits vorhandener MRT-Bilder vorhersagen.

Welche Rolle spielt künstliche Intelligenz in dem Projekt?

Ich denke, ohne KI funktioniert dieses Projekt nicht.

Was wir suchen, sind wahrscheinlich Vorstufen eines HCC. Diese können bekanntermaßen in bestimmten kontrastmittelgestützten MRT-Aufnahmen erkannt werden – sogenannte dysplastische Knoten.

Allerdings verläuft die Entwicklung vom dysplastischen Knoten zum Leberzellkrebs manchmal deutlich schneller oder überspringt möglicherweise sogar einzelne Zwischenstufen. Das können wir nur vermuten, weil wir nicht in jedem Fall zuvor einen solchen Knoten nachweisen.

Man muss außerdem wissen, dass eine Zirrhoseleber voller Knoten unterschiedlichster Größe, Form, Farbe oder Graustufen – es ist ja viel schwarz-weiß bei uns in der Radiologie – so dass in diesem Rauschen der entscheidende Knoten für das menschliche Auge vielleicht untergeht. 

Genau hier setzen wir auf die künstliche Intelligenz. Sie soll durch ihre enorme Rechenleistung die sprichwörtliche Nadel im Heuhaufen finden und jene Befunde erkennen, die darauf hindeuten, dass sie sich auf dem Weg befinden, zu einem hepatozellulären Karzinom zu entarten – und zwar früher, als es dem menschlichen Auge möglich wäre.

Welche Herausforderungen müssen bei RACOON-MARDER überwunden werden?

Die größte Herausforderung ist meiner Meinung nach gar nicht unbedingt die Entwicklung des Algorithmus selbst, sondern zunächst die Zusammenstellung der Trainingskohorte – also der Population, mit der der Algorithmus trainiert werden soll.

Dafür benötigen wir eine große Anzahl an MRT-Datensätzen, die sorgfältig ausgewählt sein müssen. Alle Aufnahmen müssen nachweislich vor der Entstehung eines hepatozellulären Karzinoms entstanden sein. Gleichzeitig muss bei diesen Patienten im weiteren Verlauf auch tatsächlich ein HCC diagnostiziert worden sein.

Das ist allerdings nur die Testkohorte. Zusätzlich benötigen wir eine Kontrollgruppe, bei der innerhalb eines bestimmten Zeitraums – etwa drei bis fünf Jahre – eben kein hepatozelluläres Karzinom aufgetreten ist.

Insgesamt haben wir berechnet, dass wir etwa 600 bis 800 Fälle benötigen werden, ungefähr zur Hälfte aus der Kontrollgruppe und zur Hälfte aus der Positivkohorte, um den Algorithmus sinnvoll trainieren zu können.

Das ist eine große Herausforderung. Deshalb setze ich auf die Stärke des Netzwerks – oder, wenn man so will, auf ein Crowdfunding von Fällen. Genau darauf sind wir in diesem Projekt angewiesen.

Wie unterstützen die technischen Partner im Netzwerk das Projekt?

Das Netzwerk unterstützt uns vor allem dadurch, dass nahezu alle universitätsmedizinischen Standorte in Deutschland angebunden sind. Nur in einem so großen Netzwerk lassen sich genügend sorgfältig ausgewählte Fälle zusammentragen.

Darüber hinaus gibt es technische Partner, die sowohl den Betrieb des Netzwerks als auch den sicheren Bildaustausch über die entsprechenden Knoten ermöglichen. Dazu gehört beispielsweise Mint Medical. Für die projektspezifischen Fragestellungen – also insbesondere die Haupt- und Nebenendpunkte unserer Studie – unterstützt uns außerdem MEVIS.

Welche Meilensteine wurden im Projekt bereits erreicht?

Wir stehen mit dem Projekt noch am Anfang. Allerdings hat dieser Anfang bereits sehr viel Vorarbeit erfordert.

Ein wichtiger Meilenstein war das Ethikvotum, das inzwischen positiv beschieden wurde. Es kann nun im gesamten Netzwerk für alle angeschlossenen Partner angewendet werden – im Prinzip für alle Universitätsklinika in Deutschland. Das war eine entscheidende Hürde, die wir bereits genommen haben.

Nachdem wir außerdem die technische Infrastruktur aufgebaut sowie die Arbeitspakete definiert und verteilt haben, steuern wir nun direkt auf den Kick-off zu. Das bedeutet, dass wir schon bald mit der Datensammlung beginnen können.

Was treibt Sie an und was wünschen Sie sich für die Zukunft?

Mich begeistert an dem Projekt natürlich zunächst das wissenschaftliche Ziel, das wir erreichen möchten. Dazu gehört auch der wissenschaftliche Output, den man sich als Forscher wünscht, ebenso wie die Möglichkeit für die vielen Mitarbeitenden im Projekt, persönlich und wissenschaftlich davon zu profitieren.

Im Mittelpunkt stehen für mich aber vor allem unsere Patientinnen und Patienten. Ihnen möchten wir mit dem Projekt und dem daraus entstehenden Algorithmus helfen.

Was mich darüber hinaus besonders begeistert, ist etwas, das ich in meiner wissenschaftlichen Laufbahn in dieser Dimension bisher noch nicht erlebt habe: diese integrative Zusammenarbeit.

Passend zum Motto des diesjährigen Röntgenkongresses ist sie tatsächlich nahezu grenzenlos. Menschen unterstützen sich gegenseitig ohne Restriktionen, tauschen sich offen aus und arbeiten gemeinsam an denselben Zielen.

Anders sind solche großen Netzwerkprojekte nicht möglich. MARDER ist schließlich nur eines von vielen Projekten, die derzeit im Rahmen von RACOON gefördert werden. Da sind wir aufeinander angewiesen.

Das Gespräch mit Prof. Dr. Timm Denecke zeigt, welches Potenzial strukturierte Bilddaten, Künstliche Intelligenz und interdisziplinäre Forschungsnetzwerke für die Weiterentwicklung der Leberdiagnostik bieten. Wir bedanken uns herzlich bei Prof. Denecke für die spannenden Einblicke in das Forschungsprojekt RACOON-MARDER und wünschen dem gesamten Projektteam weiterhin viel Erfolg.

RACOON-MARDER ist eines von sieben Projekten im Themenbereich 6 des NUM 3.0. Neben MARDER werden auch BRAIN-AI, COMPARE, INCLUDED, LCS, PAIN und PROSTAIT gefördert. Das Projekt wird vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) im Rahmen des Netzwerks Universitätsmedizin (NUM) als Use Case des Radiological Cooperative Network (RACOON) gefördert.

Das Projekt ist breit aufgestellt: Zum Kernteam gehören neben der Universitätsklinikum Leipzig die Medzinische Hochschule Hannover mit PD Dr. med. Anna Saborowski und Prof. Dr.-Ing. Andrea Schenk, Prof. Dr. med. Dominik Geisel von der Charité Berlin und die LMU München unter der Leitung von Prof. Dr. med. Sophia Stöcklein. Auf technologischer Seite unterstützen Fraunhofer MEVIS, das Deutsche Krebsforschungszentrum (DKFZ) und Mint Medical.

Wenn Sie mehr über die laufenden Projekte erfahren möchten, besuchen Sie die Seite des Netzwerk Universitätsmedizin (NUM) oder die Seite des RACOON Network.

Oder lesen Sie weitere Interviews zu RACOON-Projekten hier.