26swdgu62 10.3205/26swdgu62 urn:nbn:de:0183-26swdgu628 Meeting Abstract Duwe Duwe Gregor G

Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Klinik und Poliklinik für Urologie und Kinderurologie, Mainz, Deutschland

author Kauth Kauth V. V

Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Klinik und Poliklinik für Urologie und Kinderurologie, Mainz, Deutschland Deutsches Forschungszentrum für Künstliche Intelligenz, Smarte Daten & Wissensdienste, Kaiserslautern, Deutschland

author Mercier Mercier D. D

Deutsches Forschungszentrum für Künstliche Intelligenz, Smarte Daten & Wissensdienste, Kaiserslautern, Deutschland

author Rajashekar Rajashekar V. V

Deutsches Forschungszentrum für Künstliche Intelligenz, Smarte Daten & Wissensdienste, Kaiserslautern, Deutschland

author Jost Jost L.M. LM

Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Klinik und Poliklinik für Urologie und Kinderurologie, Mainz, Deutschland

author Moench Moench K. K

Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Klinik und Poliklinik für Urologie und Kinderurologie, Mainz, Deutschland

author Neumann Neumann C.C. CC

Charité – Universitätsmedizin Berlin, Medizinische Klinik mit Schwerpunkt Hämatologie, Onkologie und Tumorimmunologie, Berlin, Deutschland

author Junker Junker M. M

Deutsches Forschungszentrum für Künstliche Intelligenz, Smarte Daten & Wissensdienste, Kaiserslautern, Deutschland

author Dengel Dengel A. A

Deutsches Forschungszentrum für Künstliche Intelligenz, Smarte Daten & Wissensdienste, Kaiserslautern, Deutschland

author Haferkamp Haferkamp A. A

Universitätsmedizin der Johannes Gutenberg-Universität Mainz, Klinik und Poliklinik für Urologie und Kinderurologie, Mainz, Deutschland

author Höfner Höfner T. T

Ordensklinikum Linz GmbH, Abteilung für Urologie, Linz, Österreich

author German Medical Science GMS Publishing House

Düsseldorf

610 20260610 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0649 62 Südwestdeutsche Gesellschaft für Urologie e.V. 66. Jahrestagung der Südwestdeutschen Gesellschaft für Urologie e.V. Vortragssitzung 7: Prostatakarzinom II Koblenz 20260610 20260613 V7.9 TextEinleitung: 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. 0 0 0 0