AI in der Radio-Onkologie: Vom fleissigen ­Assistenten zum visionären Komplizen

Wenn wir in der Medizin über künstliche Intelligenz reden, schwingt oft ein eigentümlicher Mix aus Euphorie und Ernüchterung mit. Die einen verkünden die Revolution, die anderen haben drei Hype-Zyklen überlebt und warten noch immer. Ziel des in der vorliegenden Ausgabe enthaltenen Übersichtsartikels ist, einerseits nüchtern zu bilanzieren, was AI mit dem Fokus auf Radiotherapie tatsächlich jetzt schon leistet – und zu skizzieren, wohin die Reise gehen könnte.

Die gute Nachricht: AI ist in der Radio-Onkologie-Praxisalltag. Über 50 kommerzielle Auto-Contouring-Tools sind auf dem Markt, Deep-Learning-basierte Segmentierung von Risikoorganen gehört in vielen Zentren zur Routine und reduziert die Inter-Observer-Variabilität. Automatisierte Bestrahlungsplanung liefert Pläne, die mit manuell optimierten mithalten. Und adaptive Workflows wären ohne AI-getriebene Bildverarbeitung und synthetische CT-Generierung undenkbar. Kurz: Der fleissige AI-Assistent hat seinen Platz im Bestrahlungsbunker gefunden.

Aber wer die Radio-Onkologie nur als Effizienz­maschine betrachtet, die durch AI noch schneller läuft, verkennt das wahre Potenzial. Automatisierung befreit Fachkräfte von repetitiven Aufgaben und schafft Raum – doch Raum wofür? Der eigentliche Traum war nie die perfekte Automatisierung des Bestehenden, sondern Personalisierung im eigentlichsten Sinne: ein Verständnis der Tumorbiologie, das so präzise ist, dass wir Dosis, Fraktionierung und räumliche Dosisverteilung nach individuellem bio­logischem Profil gestalten. Nicht nur wissen, wo der Tumor sitzt, sondern wie er tickt.

«Biology-adapted radiotherapy» weist diesen Weg: multimodale Fusionsmodelle für individuelle Re­sponse-Prädiktion, mechanistische Simulationen für biologisch plausible Zielvolumina, Dose-Painting nach AI-generierten Risikokarten. Und weitergedacht: Wenn wir die Biologie eines Tumors wirklich verstehen, können wir gezielt radiosensibilisierende Interventionen einsetzen – molekulare Targets, immunmodulierende Strategien, massgeschneiderte Kombinationstherapien. AI wird dann Komplize einer biologisch fundierten Therapiegestaltung. Ein fundamental anderer Anspruch.

Natürlich sind wir von dieser Vision noch ein gutes Stück entfernt. Die vorhandene Evidenz ist dünn, die Methodologien zur Integration komplexer multimodaler Datensätze noch in den Kinderschuhen, Outcome-Parameter schwer standardisierbar, die Generalisierbarkeit unbewiesen. Die Erfolgsrezepte der Automatisierung lassen sich nicht einfach übertragen. Aber das rechtfertigt keine Resignation, sondern mutige Investitionen in prospektive Datensätze, institutionsübergreifende Kollaborationen und Grundlagenforschung an der Schnittstelle von Radiobiologie und AI. Der nächste Sprung der Radio-Onkologie muss ein biologischer sein.