<>
Forscher setzen zunehmend auf künstliche Intelligenz und physikalische Ansätze, um die Krebsbehandlung individueller zu gestalten. Laut aktuellen Berichten von Uab und VOL.AT nutzen Wissenschaftler komplexe Modelle, RNA-Sequenzierungsdaten und evolutionsbasierte Therapien, um Tumorresistenzen zu verstehen, Therapien schneller auf seltene Krebserkrankungen zu übertragen und Behandlungen gezielter anzupassen.
Die Krebsforschung steht vor der Herausforderung, komplexe biologische Daten zu entschlüsseln und Behandlungen präziser auf einzelne Patientinnen und Patienten abzustimmen. Obwohl die Medizin in den letzten Jahrzehnten große Fortschritte gemacht hat, gehört Krebs laut VOL.AT weltweit nach wie vor zu den häufigsten Todesursachen. Um diese Hürden zu überwinden, verknüpfen Wissenschaftler modernste Rechenmodelle, physikalische Perspektiven und künstliche Intelligenz, um das Verhalten von Tumoren genauer zu prognostizieren.
Einsatz von KI-Frameworks durch Neil Pfister an der Uab
Laut Uab leitet Neil Pfister, M.D., Ph.D., die Forschungsgruppe für künstliche Intelligenz in der Präzisionsmedizin am O’Neal Comprehensive Cancer Center und ist Assistenzprofessor an der Heersink School of Medicine. Pfister nutzt seinen Hintergrund in der Bioinformatik, um Muster in großen Datensätzen aufzudecken.
Das CURE-AI-Modell und die Entwicklung klinischer Studien
Gemeinsam mit Kollaborateuren hat das Team um Pfister ein spezielles Deep-Learning-Framework entwickelt. Die Ergebnisse wurden in der Publikation A Deep Learning Framework for Causal Inference in Clinical Trial Design: The CURE AI Large Clinic genomic Foundation Model
vorgestellt, wie Uab berichtet. Das von Numenos entwickelte CURE-AI-Framework nutzt demnach genetische Informationen und medizinische Datensätze aus klinischen Studien, darunter Laborwerte, um Vorhersagen über den Nutzen neuer Therapien im Vergleich zu Standardbehandlungen zu treffen.
Im Gegensatz zu bekannten Large Language Models (LLMs) oder Open-Source-Systemen handelt es sich bei CURE AI laut Uab um eine von Grund auf neu erstellte Architektur. Diese Technologie konzentriert sich auf die individuelle Biologie von Patienten. Die Forscher haben laut Uab bereits in den Bereichen Nieren-, Lungen- und pädiatrische Krebserkrankungen tiefere Einblicke gewonnen. Durch die Analyse bestehender klinischer Studien, beispielsweise bei Lungenkrebs, können Prädiktionstests festgelegt und die gewonnenen Charakteristika auf andere Krebsarten übertragen werden.
Physikalische Perspektiven und evolutionsbasierte Therapien nach Jona Kayser
Einen ergänzenden Ansatz verfolgt die physikalische Krebsforschung. Laut VOL.AT verweist Dr. Jona Kayser vom Max-Planck-Institut für die Physik des Lichts darauf, dass dank intensiver Forschungsanstrengungen heute beispielsweise viele Kinder mit Leukämie geheilt werden können. Kayser untersucht Tumorzellen gemeinsam mit Medizinern und Biologen aus einer physikalischen Perspektive, um zu verstehen, warum bestimmte Therapien nicht bei allen Zellen wirken.
Ein zentrales Problem in der modernen Onkologie ist, dass ein Tumor keine einheitliche Zellart darstellt. Durch zufällige Veränderungen entstehen unterschiedliche Zelltypen, von denen einige widerstandsfähiger gegen Behandlungen sind. Laut VOL.AT setzen Forschende deshalb verstärkt auf die sogenannte evolutionsbasierte Therapie
. Dabei sollen nicht zwingend sofort alle Tumorzellen zerstört werden; stattdessen versuchen Wissenschaftler, die Entwicklung resistenter Zellen mithilfe von Mikroskopie, Computermodellen und künstlicher Intelligenz gezielt zu beeinflussen.
Standardisierung und Benchmarking in der medizinischen KI
Sowohl in der physikalischen als auch in der datengetriebenen Krebsforschung gilt die Qualität der verwendeten Modelle als entscheidend. Laut Uab betonen Forscher, dass die Standardisierung von KI-Frameworks für den medizinischen Einsatz unerlässlich ist. Es gebe Ansätze, bei denen Gruppen mit simulierten, künstlichen Patientendaten arbeiten, weil angeblich nicht genügend reale Daten zur Verfügung stehen. Dazu stellt Pfister laut Uab fest, dass gefakte Daten die medizinische Versorgung nicht verbessern werden. Stattdessen zeige sich, dass mit einer korrekten Modellarchitektur auch bei kleinen Patientenzahlen reale biologische Muster erkannt werden können.
Um die Zuverlässigkeit und Effizienz der unterschiedlichen Modelle zu beurteilen, ist Benchmarking laut Uab ein zentrales Instrument. Wie Pfister erläutert, müssen für den objektiven Vergleich verschiedene Modellversionen mithilfe standardisierter Datenelemente und hochwertiger Benchmarking-Datensätze gegenübergestellt werden.
Weiterlesen
