Forschungsprojekte

Domänenspezifisches LLM-System zur Entscheidungsunterstützung in Molekularen Tumorboards (MTB)

Problem: Die Präzisionsonkologie verfolgt das Ziel, personalisierte Behandlungsvorschläge auf Grundlage von (genomischen) Biomarkern zu treffen. Die Translation genomischer Daten in individualisierte Therapiepläne wird durch die Fragmentierung medizinischer Informationen in vielen unstrukturierten Datenbanken erschwert. Verzögerungen in der Diagnostik und klinischen Interpretation führen in einigen Fällen dazu, dass die gewonnenen Erkenntnisse nicht mehr rechtzeitig in die aktuelle Behandlungsplanung einfließen können, siehe Lancet Oncology Editorial von August 2024(link is external). Bisherige Studien(link is external) zeigten, dass allgemeine LLMs für präzisionsonkologische Therapieempfehlungen aufgrund fehlender Domänenspezifika nicht geeignet sind.
Unsere Lösung: Unser LLM System MEREDITH (Medical Evidence Retrieval and Data Integration for Tailored Healthcare) nutzt Retrieval-Augmented Generation (RAG), um Therapieoptionen auf Basis von klinischen Studien, onkologischen Leitlinien, Verfügbarkeit von Therapeutika und Studiendatenbanken zu generieren. Dabei repliziert es die Vorgehensweise von Expert*innen in Molekularen Tumorboards (MTBs), molekulare Daten in einem breiten medizinischen Kontext zu interpretieren.
Status: MEREDITH kann Präzisionsonkolog*innen bei der Auswahl von molekular-zielgerichteten Therapeutika und in der Suche nach passenden, klinischen Studien unterstützen. Unsere Proof-of-Concept-Studie mit fiktiven Patient*innen zeigte eine hohe Übereinstimmung (94,7%) mit menschlichen MTB-Expert*innen.
Details: Preprint (The Lancet)(link is external)
Eine multizentrische Studie (Investigator Initiated Trial) wird die Übertragbarkeit in den Routinebetrieb von echten Präzisionsonkologieprogrammen prüfen. Das Datenschutzkonzept wird in Zusammenarbeit mit der Medizininformatikinitiative (Team um Prof. Dr. Martin Boeker, Institut für Künstliche Intelligenz in der Medizin, TUM Klinikum) entworfen.

Digitaler Zwilling in der Gynäkologischen Präzisionsonkologie

Problem: Über 50% aller gynäkologischen Tumore sind selten (Inzidenz von <6 auf 100.000 Frauen). Die seltene und heterogene Natur dieser Erkrankungen führt zu einem Mangel an robusten klinischen Leitlinien, was die Versorgung der Betroffenen erheblich einschränkt. Die traditionelle Einteilung metastasierender Tumore nach ihrer Ursprungslokalisation führt dazu, dass Patientinnen mit seltenen Tumoren oft von neuen Therapieoptionen ausgeschlossen werden. Uterine Karzinosarkome werden in der S3-Leitlinie des Endometriumkarzinoms(link is external) geführt. Die Behandlungsmöglichkeiten für Betroffene sind begrenzt auf eine Erstlinientherapie mit Carboplatin/Paclitaxel; das mediane Überleben ist seit Jahrzehnten unverändert schlecht und beträgt unter zwei Jahre. Es besteht ein dringender Bedarf an weiteren, klinisch evaluierten Therapieansätzen.
Unsere Lösung: Mit unserer Arbeit wollen wir einen Paradigmenwechsel hin zu einer individuellen, biomarkerbasierten Behandlung anstoßen. Dies ermöglicht eine präzisere Stratifizierung von Patientinnen und bietet so die Grundlage für eine individualisierte Therapie – insbesondere in Fällen, in denen groß angelegte klinische Studien nicht realisierbar sind. Dazu haben wir ein Digital Twin System pilotiert: Die LLM-gestützte Datenextraktion, -strukturierung und -analyse von institutionellen Daten und Literaturdaten ermöglichte uns, eine Kohorte von über 400.000 Patientinnen auszuwerten und eine Vielzahl von biomarkerbasierten Therapieoptionen zu evaluieren.
Details: Preprint (arXiv)(link is external)
Status: Die Ergebnisse unserer Proof-of-Concept-Studie möchten wir nutzen, um die Therapie und die Lebensqualität von Patientinnen mit fortgeschrittenen gynäkologischen Tumoren zu verbessern.

KI-Chatbot für BRCA1/2-Mutationsträgerinnen – Wissen schafft Autonomie

Problem: Anlageträgerinnen einer pathogenen BRCA1/2-Mutation müssen präferenzsensitive Entscheidungen hinsichtlich ihres erhöhten Krebsrisikos treffen; dabei haben sie nur wenige Informationsquellen.
Unsere Lösung: Wir möchten Ratsuchenden das Angebot eines Chatbots machen, um Fragen auf Grundlage eines kuratierten, medizinischen Datensatzes neutral (= ohne Beratung) zu beantworten. Dies dient zur Vorbereitung auf ein ärztliches Beratungsgespräch.
Status: Ein erster Prototyp befindet sich in interner Validierung. Eine multizentrische Evaluation des Chatbots unter klinischer Aufsicht befindet sich in Vorbereitung.