Optimierung der Strahlentherapie bei Krebs mit KI

Die Krebserkrankungsraten nehmen zu und werden laut Einschätzung der National Institutes of Health in den nächsten zwei Jahrzehnten um 63 % steigen. Um der wachsenden Nachfrage bei der Patientenversorgung zu begegnen, setzen führende Unternehmen der Medizintechnik auf KI-Tools, mit denen Radioonkologen hochwertige, individualisierte Behandlungen schneller durchführen können.

Siemens Healthineers verwendet eine NVIDIA® GPU-basierte Supercomputing-Infrastruktur, um KI-Software zur Generierung von Organsegmentierungen zu entwickeln, die eine präzise onkologische Strahlentherapie ermöglichen.

Der Sherlock AI-Supercomputer von Siemens Healthineers wird von einem Cluster von NVIDIA HGX-1- und HGX-2-Servern unterstützt, die mit NVIDIA Tesla® V100 Tensor Core GPUs ausgestattet sind. Das System bietet 24 PetaFlops Verarbeitungsleistung und 3 PetaBytes NVMe-Speicher, die über ein Hochgeschwindigkeits-Mellanox InfiniBand-Netzwerk mit 100 Gbit/s verbunden sind und täglich für über 600 Deep Learning-Experimente verwendet werden.

Die leistungsstarke Schaltumgebung mit niedriger Latenz und der NVMe-Speicher sorgen dafür, dass die GPU-Server hoch ausgelastet sind, um ein schnelleres Modelltraining zu ermöglichen.

Die Strahlentherapie für Krebspatienten ist ein komplexer Arbeitsablauf, der die Modellierung des Patienten, die Konturierung des Zielobjekts und der gefährdeten Organe sowie die Simulation, Planung und Durchführung der Behandlung umfasst.

Eine der zeitaufwändigsten Aufgaben bei diesem Prozess ist die Konturierung (Segmentierung) der gesunden Organe, die den Tumor eines Patienten umgeben und vor einer übermäßigen Strahlungsdosierung geschützt werden müssen.

Normalerweise konturieren Strahlenonkologen das Zielvolumen des Tumors und die gefährdeten Organe und entscheiden, welches Maß an Strahlung zur Behandlung des Tumorziels eingesetzt werden sollte, ohne das benachbarte Normalgewebe zu schädigen.

Um Onkologen bei der schnelleren Entwicklung von Strahlenbehandlungsplänen zu helfen, verwendet Siemens Healthineers syngo.via RT Image Suite, ein Softwaretool, das Organe mithilfe von KI-gestütztem AutoContouring automatisch umreißt. Das KI-Tool, das auf über 4,5 Millionen Bildern mit dem Sherlock-Supercomputer trainiert wurde, umreißt automatisch 47 Organe, spart Strahlenonkologen Zeit und erleichtert die Konturierung von gefährdeten Organen.

„KI-gestütztes AutoContouring führt zu Zeitersparnis und verbessert die Standardisierung bei der Konturierung von gefährdeten Organen“, sagte Dr. Fernando Vega, Leiter der Software und Konzeptdefinition für Strahlenonkologie bei Siemens Healthineers. „Dadurch können sich Radioonkologen besser auf andere wichtige Aspekte der Patientenversorgung konzentrieren.“

Die Strahlentherapie für Krebspatienten ist ein komplexer Arbeitsablauf, der die Modellierung des Patienten, die Konturierung des Zielobjekts und der gefährdeten Organe sowie die Simulation, Planung und Durchführung der Behandlung umfasst.

Eine der zeitaufwändigsten Aufgaben in diesem Prozess ist die Konturierung (Segmentierung) der gesunden Organe, die den Tumor des Patienten umgeben und vor einer übermäßigen Strahlungsdosierung geschützt werden müssen.

Normalerweise konturieren Strahlenonkologen das Zielvolumen des Tumors und die gefährdeten Organe und entscheiden, welches Maß an Strahlung zur Behandlung des Tumorziels eingesetzt werden sollte, ohne das benachbarte Normalgewebe zu schädigen.

Um Onkologen bei der schnelleren Entwicklung von Strahlenbehandlungsplänen zu unterstützen, verwendet Siemens Healthineers syngo.via RT Image Suite, ein Softwaretool, das Organe mithilfe von KI-gestütztem AutoContouring automatisch umreißt. Das KI-Tool, das auf über 4,5 Millionen Bildern mit dem Sherlock-Supercomputer trainiert wurde, umreißt automatisch 47 Organe, spart Strahlenonkologen Zeit und erleichtert die Konturierung von gefährdeten Organen.

„KI-gestütztes AutoContouring führt zu Zeitersparnis und verbessert die Standardisierung bei der Konturierung von gefährdeten Organen“, sagte Dr. Fernando Vega, Leiter der Software und Konzeptdefinition für Strahlenonkologie bei Siemens Healthineers. „Dadurch können sich Radioonkologen besser auf andere wichtige Aspekte der Patientenversorgung konzentrieren.“

Hinter diesem explosionsartigen Einsatz von KI in der medizinischen Bildgebung verbirgt sich eine neue Dynamik innerhalb des Softwareentwicklungsparadigmas: das Aufkommen von Software, die andere Software schreibt.
Früher haben Ingenieure Anwendungen von Anfang bis Ende geschrieben, ein zeitaufwändiger Prozess, der Nischenkenntnisse im Bereich Computing erfordert. Heute können KI-Algorithmen mit dem Zugriff auf leistungsstarke Rechenressourcen Trainingsdaten nutzen, um Prozesse wie die medizinische Bildanalyse zu erlernen, ohne dass jedes Element explizit von einem Entwickler codiert wird.

Siemens Healthineers, das sich seit den 1990er-Jahren mit maschinellem Lernen befasst, nutzt diese KI-Funktion mit seinem Sherlock-System. Der Supercomputer lernt aus dem riesigen Datensee des Unternehmens mit über 900 Millionen kuratierten Bildern sowie radiologischen Berichten und klinischen und genomischen Daten. Sherlock hat bisher zur Entwicklung von mehr als 45 KI-gestützten Anwendungen geführt, die für den klinischen Einsatz zugelassen sind.

„Die Supercomputing-Infrastruktur ist für unsere Forschungswissenschaftler von wesentlicher Bedeutung. Sie können Deep Learning-Trainingsexperimente innerhalb von Stunden anstatt Wochen abschließen und die Zeit für die Iteration verkürzen, bis die höchste Genauigkeit erreicht ist“, sagte Gianluca Paladini, Senior Leitender Direktor für Ingenieurwesen bei Siemens Healthineers und verantwortlich für die Sherlock-Architektur. „Wir verbessern die Verarbeitungsleistung von Sherlock kontinuierlich, da sie uns die Möglichkeit bietet, KI-F&E-Projekte im industriellen Maßstab zu verwalten.“