Abstract
Background Therapeutics that specifically address biological processes often require a much
finer selection of patients and subclassification of diseases. Thus, diagnostic procedures
must describe the diseases in sufficient detail to allow selection of appropriate
therapy and to sensitively track therapy response. Anatomical features are often not
sufficient for this purpose and there is a need to image molecular and pathophysiological
processes.
Method Two imaging strategies can be pursued: molecular imaging attempts to image a few
biomarkers that play key roles in pathological processes. Alternatively, patterns
describing a biological process can be identified from the synopsis of multiple (non-specific)
imaging markers, possibly in combination with omics and other clinical findings. Here,
AI-based methods are increasingly being used.
Results Both strategies of evidence-based therapy management are explained in this review
article and examples and clinical successes are presented. In this context, reviews
of clinically approved molecular diagnostics and decision support systems are listed.
Furthermore, since reliable, representative, and sufficiently large datasets are further
important prerequisites for AI-assisted multiparametric analyses, concepts are presented
to make data available in a structured way, e. g., using Generative Adversarial Networks
to complement databases with virtual cases and to build completely anonymous reference
databases.
Conclusion Molecular imaging and computer-assisted cluster analysis of diagnostic data are complementary
methods to describe pathophysiological processes. Both methods have the potential
to improve (evidence-based) the future management of therapies, partly on their own
but also in combined approaches.
Key Points:
-
Molecular imaging and radiomics provide valuable complementary disease biomarkers.
-
Data-driven, model-based, and hybrid model-based integrated diagnostics advance precision
medicine.
-
Synthetic data generation may become essential in the development process of future
AI methods.
Zusammenfassung
Hintergrund Therapeutika, die spezifisch biologische Prozesse adressieren, erfordern oft eine
wesentlich feinere Auswahl von Patienten und Subklassifizierung der Erkrankungen.
Diagnostische Verfahren müssen die Erkrankungen daher in ausreichender Detailtiefe
beschreiben, um die Auswahl der geeigneten Therapie zu ermöglichen und das Ansprechen
auf die Therapie sensitiv verfolgen zu können. Anatomische Merkmale sind hierfür oftmals
nicht ausreichend. Die Abbildung molekularer und pathophysiologischer Prozesse ist
daher notwendig.
Methode Man kann 2 Strategien bei der Bildgebung verfolgen: Molekulare Bildgebung versucht
wenige Biomarker darzustellen, die Schlüsselfunktionen in pathologischen Prozessen
einnehmen. Alternativ kann man aus der Zusammenschau multipler (unspezifischer) Bildgebungs-
und Omics-Marker sowie anderer klinischer Auffälligkeiten Muster erkennen, die biologische
Prozesse beschreiben. Hierbei werden zunehmend AI-unterstützte Verfahren eingesetzt.
Ergebnisse Beide Strategien der evidenzbasierten Therapiesteuerung werden in dem Übersichtsartikel
erläutert und Beispiele sowie klinische Erfolge aufgeführt. Es werden Übersichten
zu klinisch zugelassenen molekularen Diagnostika und Entscheidungsunterstützungssystemen
gegeben. Da zuverlässige, repräsentative und ausreichend große Datensätze weitere
wichtige Voraussetzungen für AI-unterstützte, multiparametrische Analysen sind, werden
ferner Konzepte präsentiert, um Daten strukturiert verfügbar zu machen, z. B. mittels
Generative Adversarial Networks Datenbanken mit virtuellen Fällen zu ergänzen, bzw.
vollständig anonyme Referenzdatenbanken aufzubauen.
Schlussfolgerung Die molekulare Bildgebung und die computerunterstützte Clusteranalyse von multiplen
diagnostischen Daten sind komplementäre Verfahren, um pathophysiologische Prozesse
zu beschreiben. Beide Verfahren haben das Potenzial, teilweise eigenständig aber auch
in kombinierten Ansätzen die zukünftige Steuerung von Therapien evidenzbasiert zu
verbessern.
Kernaussagen:
-
Molekulare Bildgebung und Radiomics liefern wertvolle ergänzende Krankheits-Biomarker.
-
Datengesteuerte, modellbasierte und hybride modellbasierte integrierte Diagnostik
fördert die Präzisionsmedizin.
-
Die synthetische Datengenerierung spielt im Entwicklungsprozess zukünftiger KI-Methoden
eine wichtige Rolle.
Key words
radiomics - artificial intelligence - deep learning - precision medicine - molecular
imaging
