KI-System mit Multi-Agent Reinforcement Learning optimiert Glioblastom-Resektion

Ein neues KI-System aus dem Open-Source-Portal arXiv unterstützt Ärzte bei der Diagnose und Therapieplanung von Glioblastom Multiforme (GBM), dem tödlichsten menschlichen Krebs. Das System bietet eine einzige End-to-End-Lösung, die sowohl die Bildanalyse als auch die Auswahl des optimalen Resektionsortes automatisiert.

Im Diagnosebereich nutzt das System einen sequentiellen Entscheidungsrahmen, der aus vier Klassifikationsmodellen besteht – drei Convolutional Neural Networks (CNNs) und ein Support Vector Machine (SVM). Jedes Modell klassifiziert das Gehirn des Patienten schrittweise in immer spezifischere Kategorien, bis schließlich die endgültige Diagnose gestellt wird.

Für die Therapieplanung setzt das System ein Reinforcement-Learning-Modell ein, das aus drei generativen Modellen besteht. Zunächst analysiert ein Diffusionsmodell die diagnostizierte GBM-MRT und prognostiziert ein mögliches Resektionsresultat. Anschließend erzeugt ein Spatio-Temporal Vision Transformer eine MRT des Gehirns nach einer vom Benutzer definierten Wochenzahl, um die Wirkung einer Radiotherapie zu simulieren. Ein weiteres Diffusionsmodell erzeugt die MRT nach einer Chemotherapie. Ein Survival‑Rate‑Rechner prüft, ob die simulierte Nachbehandlungs‑MRT innerhalb von 15 % des vom Arzt definierten Zielwerts liegt. Fehlt die Übereinstimmung, wird ein Feedback‑Loop mit Proximal Policy Optimization gestartet, der das System iterativ anpasst, bis der optimale Resektionsort gefunden ist.

Der Vergleich mit bestehenden Lösungen zeigte drei zentrale Erkenntnisse, die die Wirksamkeit des Ansatzes unterstreichen. Das Projekt demonstriert damit, wie KI die Behandlung von heterogenen Hirntumoren verbessern und die Überlebenschancen von GBM‑Patienten erhöhen kann.