Ein KI-Ergebnis lässt sich nur deuten, wenn die Bedingungen, unter denen seine Daten entstanden sind, mit ihm weitergegeben werden. Jedes KI-Werkzeug in der Onkologie ist deshalb mehrdimensional: Die Frage, die es beantwortet, die beteiligten Menschen und Arbeitsabläufe sowie das regulatorische und digitale Umfeld prägen das Ergebnis.
Vielversprechende Modelle scheitern oft, sobald sie in der Praxis eingesetzt werden. Diese Lücke zwischen Publikation und Versorgung bezeichnete Chung in Anlehnung an Eric Topol als KI-Kluft („AI chasm“). Sie tut sich auf, wenn sich Entwicklungs- und Einsatzumgebung in der gestellten Frage, in der Datenqualität oder in den beteiligten Menschen und Prozessen unterscheiden. Bei diesen Entscheidungen sollten Onkologen deshalb mitreden, so Chung.
Hirnmetastasen: Dickere Schichten, übersehene Läsionen
Wie sich das auswirkt, zeigt die Bildgebung von Hirnmetastasen. Sie sind oft klein, die stereotaktische Radiochirurgie (eine hochpräzise, meist einzeitige Bestrahlung) wird anhand der Magnetresonanztomografie (MRT) geplant, und die Schichtdicke entscheidet darüber, was die Aufnahme zeigen kann. Eine Studie von Thrower et al. (2021), an der Chung beteiligt war, rechnete Planungsaufnahmen von 28 Patienten mit 102 Hirnmetastasen von 1 mm Schichtdicke auf 2 und 3 mm um.
Auf den simulierten Aufnahmen zeigte sich:
- Bei 2 mm wurden 3 % der Läsionen übersehen, bei 3 mm 13 %. Ein Blutgefäß wurde als Metastase eingezeichnet.
- Die Konturen fielen bei 2 mm um rund 11 % und bei 3 mm um rund 43 % größer aus, mit erheblicher Streuung, weil kleine absolute Abweichungen bei kleinen Volumina stark ins Gewicht fallen.
Einschränkend ist anzumerken, dass die Aufnahmen simuliert waren, nur zwei Untersucher konturierten und eine Dosisanalyse fehlte.
Folgen für Bestrahlung, Verlauf und Studien
Weil die Zielkonturen die Planung der Radiochirurgie leiten, weisen die Autoren auf Folgen in beide Richtungen hin: Übersehene Läsionen müssen womöglich später behandelt werden, und überschätzte Zielvolumina können die Strahlenbelastung des umgebenden gesunden Hirngewebes erhöhen.
Dünne Schichten verlängern die Untersuchungszeit, und diagnostische und Verlaufsaufnahmen sind oft dicker als 1 mm. Die Autoren merken an, dass kleine Läsionen dann bei der Auswahl der Patienten für eine Behandlung übersehen werden können oder eine Läsion bei der Verlaufskontrolle gewachsen erscheinen kann. Auch klinische Studien können betroffen sein: Eine Läsion, die erst auf einer besseren Aufnahme erkannt wird, könnte als neu gewertet werden, mit Folgen für die Studieneignung und die Beurteilung des Ansprechens. Diese Schlussfolgerung zieht Chung selbst; die Untersuchung hat Studien nicht betrachtet.
Chung bezweifelt daher, dass die Standardbildgebung wirklich einheitlich ist, und rät, Aufnahmen anzufordern, die zur jeweiligen Fragestellung passen.
Unsicherheit steckt in jedem Glied der Kette
Die Bildgebung ist nur ein Glied in einer längeren Kette. Aufnahme, Nachbearbeitung, Registrierung (Überlagerung verschiedener Aufnahmen), Analyse und quantitative Messung tragen jeweils Unsicherheit zur abschließenden Beurteilung des Tumoransprechens bei. Übernimmt eine KI die Segmentierung, also die Abgrenzung des Tumors, kommt es darauf an, welches Werkzeug verwendet wird und wie robust es ist.
Auch die Gewebediagnostik hat ihre eigene Kette. Die Zeit bis zur Verarbeitung, die Art, wie eine Probe geschnitten wird, und die Region des Tumors, aus der die Probe stammt, können das Ergebnis eines Gewebetests verändern, und bei einem heterogenen Tumor wird die Biopsiestelle selten dokumentiert.
Metadaten gehören zu den Daten
Abhilfe schafft laut Chung eine lückenlose Dokumentation: Bei jedem Schritt wird festgehalten, wer was wann wo und wie getan hat, und diese Metadaten werden mit den Daten weitergegeben. Chung und Jaffray haben diese Idee 2021 in einem Kommentar in Cancer Research als „Metadaten-Lieferkette“ („metadata supply chain“) beschrieben. Ihrer Ansicht nach kann eine solche Dokumentation helfen herauszufinden, warum ein Modell versagt, ohne sofort auf ein kostspieliges Neutraining zurückgreifen zu müssen.
Daten, Modell, Mensch: drei Ebenen der Unsicherheit
Unsicherheit entsteht auf drei miteinander verbundenen Ebenen:
- in den Daten: unterschiedliche Protokolle, fehlender Kontext, uneinheitliche Referenzbefunde;
- im Modell: Eingaben, die nicht zu den Trainingsdaten passen, schlecht kalibrierte Konfidenz (das Modell gibt sich sicherer, als es ist), Drift (schleichende Veränderung der Daten über die Zeit), unbemerkte Versionswechsel;
- beim Menschen: zu großes Vertrauen in die KI, Verwerfen korrekter Ergebnisse, Entscheidungen ohne Blick auf die Unsicherheit.
Für Verifikation, Validierung und Quantifizierung der Unsicherheit an jedem Glied verwies Chungs Folie auf einen Bericht der National Academies zu digitalen Zwillingen aus dem Jahr 2024.
Vier Fragen, bevor man einem Modell vertraut
Vor dem Einsatz eines Modells helfen vier Fragen:
- Ähnelt dieser Patient der Trainingspopulation in Stadium, Subtyp, Begleiterkrankungen und Vortherapie?
- Wurden die Eingabedaten so erzeugt, wie das Modell es erwartet?
- Wie sicher ist das Ergebnis, und ist diese Sicherheit kalibriert?
- Was folgt, wenn das Ergebnis falsch ist, und wer kann es bemerken?
Fazit für die Praxis
Der Vortrag bot einen Denkrahmen, keine klinischen Ergebnisse. Für die Praxis heißt das:
- Bei Hirnmetastasen die Schichtdicke der MRT kennen: Dickere Schichten können kleine Läsionen verbergen und Konturen vergrößern.
- Kontext dort erfassen, wo Daten entstehen, und mit den Daten weitergeben.
- Vor dem Einsatz eines Modells die vier Fragen stellen und Unsicherheit sichtbar machen.
- Die Verantwortung dafür, wie KI-Ergebnisse die Versorgung prägen, bleibt bei den Onkologen.
- ESMO Congress 2026, Madrid, 25 October 2026: Chung C. The role of the oncologist in multidimensional AI integration in cancer care. ESMO-ASCO special session „The evolving definition of the modern oncologist“.
- Thrower SL, Al Feghali KA, Luo D, Paddick I, Hou P, Briere T, Li J, McAleer MF, McGovern SL, Woodhouse KD, Yeboa DN, Brock KK, Chung C. The Effect of Slice Thickness on Contours of Brain Metastases for Stereotactic Radiosurgery. Adv Radiat Oncol. 2021 Apr 11;6(4):100708. doi: 10.1016/j.adro.2021.100708. PMID: 34124413; PMCID: PMC8175282.
- Chung C, Jaffray DA. Cancer Needs a Robust "Metadata Supply Chain" to Realize the Promise of Artificial Intelligence. Cancer Res. 2021 Dec 1;81(23):5810-5812. doi: 10.1158/0008-5472.CAN-21-1929. PMID: 34853038; PMCID: PMC9306309.
- National Academies of Sciences, Engineering, and Medicine; National Academy of Engineering; Division on Earth and Life Studies; Division on Engineering and Physical Sciences; Board on Atmospheric Sciences and Climate; Board on Life Sciences; Computer Science and Telecommunications Board; Committee on Applied and Theoretical Statistics; Board on Mathematical Sciences and Analytics; Committee on Foundational Research Gaps and Future Directions for Digital Twins. Foundational Research Gaps and Future Directions for Digital Twins. Washington (DC): National Academies Press (US); 2024 Mar 28. PMID: 39088664.