AG KI & Radiomics

AG Künstliche Intelligenz und Radiomics

Die Analyse von medizinischen Bildgebungsdaten (CT, MRT und PET) durch Methoden der Künstlichen Intelligenz (KI) ermöglichen eine nicht-invasive Charakterisierung von biologischen Geweben. In unserer Arbeitsgruppe befassen wir uns mit aktuellen Methoden der KI, wie z.B. Radiomics oder Neuronale Netze, um Tumoren von betroffenen Patienten zu untersuchen. Wir entwickeln Modelle, um verbesserte Vorhersagen der Prognose von Patienten zu erreichen, das Ansprechens auf eine Therapie zu ermöglichen und nicht-invasive molekular-pathologische Eigenschaften zu bestimmen. Des weiteren erforschen wir den Mehrwert von KI Methoden in der medizinischen Therapieplanung.

Schwerpunkte:

  • KI-basierte Analyse für Patienten mit Hirnmetastasen (AURORA Multicenter Studie der AG Stereotaxie der DEGRO)
  • KI-basierte Analyse von Patienten mit Analkarzinomen (DKTK Multicenter Studie)
  • KI-basierte Analyse von Patienten mit Weichteilsarkomen
  • Entwicklung und Verbesserung von neuronalen Netzen zur Segmentierung von Tumoren und Risikoorganen
  • Vorhersage von Nebenwirkungen einer Strahlentherapie

Mitarbeiter:

  • Lucas Etzel (Physician Scientist)
  • Dr. med. Dr. rer. nat. Kim Kraus (Physician Scientist) 
  • Fernando Navarro (MSc, PhD-Student)
  • Óscar Salvador Llorián (MSc, PhD-Student)
  • Joachim Akhgar (Medizindoktorand)
  • Josef Buchner (Medizindoktorand)
  • Maksym Oreshko (Medizindoktorand)
  • Mohamed Shouman (Medizindoktorand)
  • Nora Windeler (Medizindoktorandin)

Ausgewählte Publikationen:

  • 1. Peeken JC, Asadpour R, Specht K, Chen EY, Klymenko O, Akinkuoroye V, Hippe DS, Spraker MB, Schaub SK, Dapper H, Knebel C, Mayr NA, Gersing AS, Woodruff HC, Lambin P, Nyflot MJ & Combs SE. MRI-based Delta-Radiomics predicts pathologic complete response in high-grade soft-tissue sarcoma patients treated with neoadjuvant therapy. Radiother Oncol. 2021 Nov;164:73–82.
  • 2. Navarro F, Dapper H, Asadpour R, Knebel C, Spraker MB, Schwarze V, Schaub SK, Mayr NA, Specht K, Woodruff HC, Lambin P, Gersing AS, Nyflot MJ, Menze BH, Combs SE, Peeken JC. Development and External Validation of Deep-Learning-Based Tumor Grading Models in Soft-Tissue Sarcoma Patients Using MR Imaging. Cancers. 2021;13(12):2866.
  • 3. Peeken JC, Neumann J, Asadpour R, Leonhardt Y, Moreira JR, Hippe DS, Klymenko O, Foreman SC, von Schacky CE, Spraker MB, Schaub SK, Dapper H, Knebel C, Mayr NA, Woodruff HC, Lambin P, Nyflot MJ, Gersing AS, Combs SE. Prognostic Assessment in High-Grade Soft-Tissue Sarcoma Patients: A Comparison of Semantic Image Analysis and Radiomics. Cancers. 2021; 13(8):1929.
  • 4. Thammasorn P, Chaovalitwongse WA, Hippe DS, Wootton LS, Ford EC, Spraker MB, Combs SE, Peeken JC & MJ Nyflot. Nearest Neighbor-Based Strategy to Optimize Multi-View Triplet Network for Classification of Small-Sample Medical Imaging Data. IEEE Trans Neural Networks Learn Syst 2021:1–15.
  • 5. Peeken JC, Shouman MA, Kroenke M, Rauscher I, Maurer T, Gschwend JE, Eiber M, Combs SE. A CT-based radiomics model to detect prostate cancer lymph node metastases in PSMA radioguided surgery patients. Eur J Nucl Med Mol Imaging. 2020;47(13):2968-2977.
  • 6. Navarro F, Sekuboyina A, Waldmannstetter D, Peeken JC, Combs SE, Menze BH. Deep Reinforcement Learning for Organ Localization in CT. Proc Mach Learn Res. 2020;121:544–54.
  • 7. Peeken JC, Spraker MB, Knebel C, Dapper H, Pfeiffer D, Devecka M, Thamer A, Shouman MA, Ott A, von Eisenhart-Rothe R, Nüsslin F, Mayr NA, Nyflot MJ, Combs SE. Tumor grading of soft tissue sarcomas using MRI-based radiomics. EBioMedicine. 2019;48:332-340.
  • 8. Peeken JC, Molina-Romero M, Diehl C, Menze BH, Straube C, Meyer B, Zimmer C, Wiestler B, Combs SE. Deep learning derived tumor infiltration maps for personalized target definition in Glioblastoma radiotherapy. Radiother Oncol. 2019;138:166-172.
  • 9. Peeken JC, Bernhofer M, Spraker MB, Pfeiffer D, Devecka M, Thamer A, Shouman MA, Ott A, Nüsslin F, Mayr NA, Rost B, Nyflot MJ, Combs SE. CT-based radiomic features predict tumor grading and have prognostic value in patients with soft tissue sarcomas treated with neoadjuvant radiation therapy. Radiother Oncol. 2019;135:187-196.
  • 10.Peeken JC, Goldberg T, Pyka T, Bernhofer M, Wiestler B, Kessel KA, Tafti PD, Nüsslin F, Braun AE, Zimmer C, Rost B, Combs SE. Combining multimodal imaging and treatment features improves machine learning-based prognostic assessment in patients with glioblastoma multiforme. Cancer Med. 2018, 1–9.