Die Forschungsgruppe entwickelt statistische und auf künstlicher Intelligenz (KI) basierende Methoden für die Präzisionsstrahlentherapie. Unser Ziel ist es vorherzusagen, wie einzelne Patientinnen und Patienten auf eine Behandlung ansprechen, ob ein Tumor kontrolliert werden kann und welche Nebenwirkungen auftreten können, und diese Vorhersagen in klinisch nutzbare Werkzeuge für eine individualisierte Therapie und Entscheidungsunterstützung zu überführen. Hierzu integrieren wir klinische und therapiebezogene Informationen mit quantitativen Bildgebungsdaten und molekularen Daten, einschließlich CT, MRT, PET, Strahlendosisverteilungen und genomischen Informationen. Abhängig von der jeweiligen Fragestellung kommen klassische biostatistische Methoden, maschinelles Lernen und moderne Deep-Learning-Verfahren zum Einsatz. Ein besonderer Schwerpunkt liegt auf Radiomics und Radiogenomics, einschließlich longitudinaler und multimodaler Bildgebungsbiomarker und ihrer Verknüpfung mit klinischen und molekularen Informationen.
Eine wichtige Voraussetzung für den klinischen Einsatz von KI ist, dass Modelle und Biomarker nicht nur eine hohe Vorhersagegüte aufweisen, sondern auch reproduzierbar, robust und zuverlässig über verschiedene Institutionen und Patientenkollektive hinweg sind. Die Gruppe entwickelt daher Methoden zur Modellvalidierung und Unsicherheitsquantifizierung und beteiligt sich an internationalen Standardisierungsaktivitäten wie der Image Biomarker Standardization Initiative (IBSI) sowie an Open-Source-Software für standardisierte Radiomics-Analysen. Vielversprechende Modelle werden extern und prospektiv validiert, mit dem langfristigen Ziel, sie in biomarkerbasierte klinische Studien und individualisierte Therapiestrategien zu überführen.
Ein zweiter wesentlicher Forschungsschwerpunkt ist die biologisch informierte Protonentherapie. Wir kombinieren Strahlendosis, linearen Energietransfer (LET), Bildgebung und klinische Outcome-Daten, um die variable relative biologische Wirksamkeit (RBE) von Protonen sowie strahleninduzierte Nebenwirkungen besser zu verstehen. Modelle für die Tumorkontrollwahrscheinlichkeit (TCP) und die Wahrscheinlichkeit von Normalgewebskomplikationen (NTCP) werden gemeinsam mit KI-basierten Ansätzen genutzt, um Patientinnen und Patienten zu identifizieren, die besonders von einer Protonentherapie oder einer biologisch adaptierten Therapieplanung profitieren könnten.
Übergreifend arbeitet die Gruppe an der Schnittstelle von Medizinphysik, Radioonkologie, Bildgebung, Strahlenbiologie und Data Science und verbindet präklinische mit klinischer Evidenz. Die methodische Forschung umfasst unter anderem Überlebens- und Outcome-Modellierung, maschinelles Lernen, Unsicherheitsanalysen und Studiendesign. Darüber hinaus unterstützt die Gruppe andere Forschungsgruppen am OncoRay mit biostatistischer und algorithmischer Expertise.
