KMU - innovativ - Verbundprojekt OCTOLAB - OCT-Optimierte Lasertherapie von Basalzellkarzinomen (OCTOLAB); Teilvorhaben: Training, Integration und Evaluierung von maschinellen Lernverfahren zur OCT-Diagnostik von Basalzellkarzinomen

Abstract

Das Teilvorhaben der Universität Augsburg (MIA) im Verbundprojekt OCTOLAB verfolgte das Ziel, die optische Kohärenztomographie (OCT) als hochauflösende, nichtinvasive Bildgebungsmodalität mit einer langgepulsten Infrarot-Lasertherapie zur Behandlung von Basalzellkarzinomen (BCC) in einem integrierten Gesamtsystem zu vereinen. Ein zentraler Schwerpunkt lag dabei auf der Schaffung der wissenschaftlichen und technischen Grundlagen für die Datensatzerstellung sowie die Konzeption, Implementierung und Evaluation einer spezialisierten KI-Komponente. Diese sollte die diagnostische Präzision dahingehend erweitern, dass BCC automatisiert detektiert, deren Subtyp klassifiziert und die Tumordimensionen (Dicke und Ausdehnung) exakt bestimmt werden können, um daraus objektivierte Parameter für die Laserablation abzuleiten. Obwohl das BCC die weltweit häufigste Krebserkrankung des Menschen darstellt, erfolgt die Diagnostik im klinischen Alltag noch überwiegend subjektiv durch klinische Inspektion und Dermatoskopie. Dies führt häufig dazu, dass Tumore erst in Stadien therapiert werden, die eine invasive Entfernung unumgänglich machen. Zwar hat sich die OCT als validierte Methode zur nichtinvasiven Beurteilung von Tumordicke und Subtyp etabliert und auch die Therapie mittels Lasertherapie stellt eine leitliniengerechte Option dar, jedoch existierte bislang keine technische Lösung, die Diagnostik und Therapie in einem geschlossenen Regelkreis koppelt. Zum Projektstart war der Stand der Wissenschaft durch ein signifikantes Defizit an strukturierten Daten gekennzeichnet: Es lagen weder öffentlich zugängliche, annotierte OCT-Bilddatenbanken für BCC vor, noch existierten publizierte KI-Algorithmen, die für eine automatisierte OCT-Diagnostik hinreichend validiert oder adaptierbar gewesen wären. Ebenso fehlte die klinisch-technische Expertise zur computergestützten Steuerung der Lasertherapie auf Basis von OCT-Echtzeitdaten. Somit bestand die wissenschaftliche Herausforderung darin, erstmals eine konsistente Datengrundlage für maschinelle Lernverfahren zu generieren und die technologische Lücke zwischen bildgebender Diagnostik und automatisierter Therapieapplikation durch ein integriertes System aus OCT, KI und Laser zu schließen.