Text

Einleitung: Entscheidungen über die beste verfügbare Behandlung in der klinischen Onkologie basieren auf Expertenmeinungen im Rahmen von multidisziplinären Tumorkonferenzen (MTK). Nachdem das KITTU Verbundprojekt einen KI (Künstliche Intelligenz)-Prototyp für Urothel- und Nierenzellkarzinome erfolgreich entwickelt hat, wurde ein weiteres KI-Assistenzsystem entwickelt, welches Behandlungsempfehlungen für Patienten mit metastasiertem und nicht metastasiertem Prostatakarzinom (PCA) generiert und damit komplexe evidenzbasierte Entscheidungen in MTK unterstützen kann.

Methode: Umfassende Patientendaten (99 individuelle Merkmale) von 5.478 MTK-Empfehlungen für histologisch gesicherte PCA aller Stadien aus den Jahren 2015 bis 2022 wurden in maschinenlesbare Darstellungen umgewandelt. Ein zweistufiger Prozess wurde entwickelt, um Classifier zu trainieren, die die MTK-Empfehlungen nachahmen. Zunächst wurden übergeordnete Kategorien der Empfehlungen identifiziert (high-level) und anschließend eine detaillierte Empfehlung spezifiziert (low-level). Hierfür wurde KITTU XGB als maschineller Lernansatz verwendet. Die Leistungsbewertung (accuracy weight) erfolgte anhand des F1-Scores und die Erklärbarkeit wurde mittels SHAP (SHapley Additive exPlanations) analysiert.

Ergebnisse: Unser KI-Assistenzsystem ist in der Lage, vollautomatisch 23 verschiedene Behandlungsempfehlungen für Patienten mit histologisch gesichertem PCA zu generieren. Zunächst kann die KI entscheiden, welche übergeordnete Empfehlung (high-level) angewendet werden soll, z.B. eine Operation (F1-Score: 0,89), Radiotherapie (0,81) oder medikamentöse Tumortherapie (0,75). Im nächsten Schritt ist das KI-System in der Lage, diese Empfehlungen zu spezifizieren (low-level) mit F1-Scores von beispielsweise 0,78 für die ADT Monotherapie. Zudem wird mit verschiedenen Metriken zur Erklärbarkeit Transparenz und Qualität gewährleistet. Unter anderem werden für jede einzelne Empfehlung SHAP-Analysen durchgeführt, um die Parameter zu identifizieren (z.B. aktueller UICC oder PSA-Wert), die den größten Einfluss auf die entsprechende Behandlungsentscheidung haben.

Schlussfolgerung: Wir präsentieren das erste erklärbare KI-Assistenzsystem für Behandlungsempfehlungen bei metastasiertem und nicht metastasiertem PCA mit der bis dato höchsten Anzahl an (Input) Variablen und (Output) Empfehlungen. Unsere Ergebnisse zeigen, dass die ausgewählten Machine Learning und Deep Learning Architekturen in der Lage sind, aus der verfügbaren begrenzten Datenmenge zu lernen. Die Performance wird sich mit steigender Fallzahl weiter verbessern. In der Zwischenzeit werden die Daten aus den Jahren 2023 und 2024 aktualisiert. Darüber hinaus begann im Oktober 2025 eine prospektive, multizentrische Validierung des KI-Prototyps, um eine höhere Evidenz zu erreichen und die anschließende Translation in die klinische Patientenversorgung zu prüfen.