AG Künstliche Intelligenz | Strahlentherapie TUM Klinikum München
Strahlentherapie
AG Künstliche Intelligenz
Einsatz von KI in der Radioonkologie: Unsere AG entwickelt KI Modelle zur Prognose, Therapievorhersage und Segmentierung bei Krebserkrankungen.
ag-kuenstliche-intelligenz
AG Künstliche Intelligenz
Die Anwendung von Methoden der künstlichen Intelligenz (KI) eröffnet neue Möglichkeiten in der klinischen Medizin. In unserer interdisziplinären Arbeitsgruppe verwenden wir aktuelle KI Modelle um klinisch relevante Fragen in der (Radio)Onkologie zu lösen. Wir entwickeln Methoden um großen Sprachmodellen (Large Language Models) in der klinischen Anwendung genauer und sicherer zu machen. Darüber hinaus evaluieren wir die Möglichkeiten von multimodalen KI Modellen, die mit verschiedensten Datenarten umgehen können. Ein weiterer Fokus liegt auf der Analyse von medizinischen Bildgebungsdaten (CT, MRT und PET) für die nicht-invasive Charakterisierung von biologischen Geweben. 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.
Leiter der Arbeitsgruppe Künstliche Intelligenz ist Priv.-Doz. Dr. med. Jan Peeken.
Schwerpunkte:
Anwendung von großen Sprachmodellen als Informationsquelle und Entscheidungsunterstützungsystem
Multimodale Foundation Modelle
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.
KI-basierte Analyse von Patienten mit Prostatakarzinomen (Co-IMPACT consortium)
Entwicklung und Verbesserung von neuronalen Netzen zur Segmentierung von Tumoren und Risikoorganen.
Vorhersage von Nebenwirkungen einer Strahlentherapie.
Aktuelle Mitarbeiter:
Dr. med. Lucas Etzel (Physician Scientist)
Dr. med. Mai Ngyuen (Physician Scientist)
Dr. med. Dr. rer. Nat. Kim Kraus (Physician Scientist)
Stefan Fischer (MSc; PhD-Student)
Johannes Kiechle (MSc; PhD-Student)
Can Erdur (MSc; PhD-Student)
Lukas Reuter (Medizinische Doktorarbeit)
Danai Pletzer (Medizinische Doktorarbeit)
Franziska Duschinger (Medizinische Doktorarbeit)
Ina Riegger (Medizinische Doktorarbeit)
Mohamed Shouman (Medizinische Doktorarbeit)
Nora Windeler (Medizinische Doktorarbeit)
Josef Buchner (Medizinische Doktorarbeit)
Maksym Oreshko (Medizinische Doktorarbeit)
Annika Domres (Medizinische Doktorarbeit)
Dr. Samuel Vorbach (PostDoc)
Ausgewählte Publikationen:
Peeken JC*, Etzel L*, Tomov T et al. Development and benchmarking of a Deep Learning-based MRI-guided gross tumor segmentation algorithm for Radiomics analyses in extremity soft tissue sarcomas. Radiother Oncol. 2024 Aug;197:110338. doi: https://doi.org/10.1016/j.radonc.2024.110338. *shared authorship.
Buchner JA, Kofler F, Mayinger M, … , Peeken JC. Radiomics-based prediction of local control in patients with brain metastases following postoperative stereotactic radiotherapy. Neuro Oncol. 2024 Sep 5;26(9):1638-1650. https://doi.org/10.1093/neuonc/noae098.
Kraus KM, Oreshko M, Schnabel JA, …, Peeken JC. Dosiomics and radiomics-based prediction of pneumonitis after radiotherapy and immune checkpoint inhibition: The relevance of fractionation. Lung Cancer. 2024 Mar;189:107507. doi: https://doi.org/10.1016/j.lungcan.2024.107507.
Zamboglou C*, Peeken JC*, Janbain A, et al. Development and Validation of a Multi-institutional Nomogram of Outcomes for PSMA-PET–Based Salvage Radiotherapy for Recurrent Prostate Cancer. JAMA Netw Open [Internet]. 2023; 6: e2314748. https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2805173, * shared authorship.
Spohn SKB, Schmidt-Hegemann N-S, Ruf J, …, Peeken JC. Development of PSMA-PET-guided CT-based radiomic signature to predict biochemical recurrence after salvage radiotherapy. Eur J Nucl Med Mol Imaging. 2023; Available at: https://doi.org/10.1007/s00259-023-06195-3.
Buchner JA, Kofler F, Etzel L, …, Peeken JC. Development and external validation of an MRI-based neural network for brain metastasis segmentation in the AURORA multicenter study. Radiother Oncol. 2023; 178: 109425. Available at: https://doi.org/10.1016/j.radonc.2022.11.014
Spohn SKB, Farolfi A, Schandeler S, …, Peeken JC. The maximum standardized uptake value in patients with recurrent or persistent prostate cancer after radical prostatectomy and PSMA-PET-guided salvage radiotherapy-a multicenter retrospective analysis. Eur J Nucl Med Mol Imaging. 2022 Dec;50(1):218-227. doi: https://doi.org/10.1007/s00259-022-05931-5.
Peeken JC, Asadpour R, Specht K, et al. 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. https://doi.org/10.1016/j.radonc.2021.08.023.
Peeken JC, Shouman MA, Kroenke M et al. 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. https://doi.org/10.1007/s00259-020-04864-1.
Peeken JC, Molina-Romero M, Diehl C et al. Deep learning derived tumor infiltration maps for personalized target definition in Glioblastoma radiotherapy. Radiother Oncol. 2019;138:166-172. https://doi.org/10.1016/j.radonc.2019.06.031.