Automatische Konturierung in der Strahlentherapie & KI-gestützte Bestrahlungsplanung

Einen Bestrahlungsplan vorzubereiten heißt, Schicht für Schicht Dutzende Organe und den Tumor zu umranden und anschließend die Dosisoptimierung so lange zu wiederholen, bis die Medizinphysik zufrieden ist. KI übernimmt die Konturierung heute in Minuten, sagt die erreichbare Dosis voraus, erstellt automatisch einen ersten Plan und berechnet ihn an adaptiven Geräten für jede Fraktion neu. Kliniken berichten von deutlich kürzeren Planungszeiten und geringerer Variation zwischen den Bearbeitern; Strahlentherapeut und Physiker prüfen und genehmigen weiterhin jede Kontur und jeden Plan.

Problem & Nutzen

• Heute: Strahlentherapeuten, Dosimetristen und Medizinphysiker umranden Risikoorgane (OAR), Zielvolumina und Lymphknotenregionen von Hand auf dem Planungs-CT/-MR und planen dann iterativ im Bestrahlungsplanungssystem (TPS). Das ist ein Engpass: Die Konturierung ist langsam, variiert zwischen den Bearbeitern und ist das Haupthindernis für die Online-adaptive Strahlentherapie, bei der der Patient auf dem Tisch liegt, während der Plan neu erstellt wird.
• KI-Nutzen: (1) einheitliche, leitlinienkonforme Vorschläge für Risikoorgane und Zielvolumina, die nur noch bearbeitet werden müssen; (2) Dosisvorhersage, die dem Planer vor der Optimierung zeigt, was erreichbar ist; (3) automatische Plangenerierung, die Unterschiede in der Planqualität zwischen Zentren verringert; (4) schnelle Neukonturierung und Neuplanung für adaptive Abläufe; (5) synthetisches CT, das eine reine MR-Planung ermöglicht.
• Evidenz: Die Herstellerliteratur und die klinische Literatur (z. B. ESTRO-nahe Publikationen, MVision, Therapanacea, Auto-Planning-Arbeiten der Duke University) berichten, dass die Planungszeit bei Routinefällen von etwa 45-120 Minuten auf 6-15 Minuten sinkt; die Zahlen variieren je nach Tumorlokalisation und stammen von Herstellern bzw. Zentren, messen Sie daher vor Ort selbst [1][3][4].

Varianten

• Nur automatische Konturierung: Risikoorgane für Kopf-Hals, Thorax, Becken, Brust; der Einstieg für die meisten Kliniken.
• Automatische Konturierung von Zielvolumina und Lymphknoten: CTV-/Lymphknotenregionen nach ESTRO- oder RTOG-Konsens; erfordert mehr Nachbearbeitung.
• Dosisvorhersage und wissensbasierte Planung: 3D-Dosis- oder DVH-Vorhersage, um die Optimierung zu steuern oder vorzubelegen.
• Vollautomatische Planung: skriptgesteuerte oder ML-gestützte IMRT-/VMAT-Optimierung (z. B. Eclipse RapidPlan, RayStation Machine-Learning-Planung, Auto-Planning nach Duke-Art) mit Prüfung durch den Planer.
• Online-adaptive Strahlentherapie: Varian Ethos (CBCT) und MR-Linacs (Elekta Unity, ViewRay MRIdian) mit täglicher KI-Konturierung und Neuplanung.
• Synthetisches CT: MR-zu-sCT und CBCT-zu-sCT für reine MR-Abläufe und die Dosisberechnung auf Tagesbildern.
• Partikeltherapie: Die Protonenplanung ergänzt Reichweitenunsicherheit und robuste Optimierungsnebenbedingungen.
• Veterinärmedizin / Forschung: nichtklinische Konturierung mit offenen Werkzeugen, außerhalb des MDR-Geltungsbereichs.

So funktioniert es

1. planning CT/MR (DICOM)
2. pre-processing (orientation, protocol/site detection)
3. 3D segmentation (OARs, GTV/CTV, nodes)
4. DICOM-RT Struct into TPS
5. [HUMAN] oncologist reviews/edits contours, defines targets & prescription
6. dose prediction (3D U-Net / GAN-style)
7. plan optimisation (IMRT/VMAT)
8. [HUMAN] physicist/dosimetrist plan review, independent dose check, patient-specific QA
9. treatment; adaptive: daily CBCT/MR
10. sCT, re-contour, re-optimise
11. [HUMAN] approve on-couch

• Segmentierung: 3D-Faltungsnetze oder Transformer-Netze (nnU-Net-Stil), trainiert auf Expertenkonturen nach Konsensleitlinien; Ausgabe als RT Structure Sets.
• Dosisvorhersage: Bild-zu-Bild-Netze, die auf Konturen und Strahlgeometrie konditioniert sind, sagen das Dosisgitter voraus; der abzugebende Plan wird weiterhin von der Dosis-Engine des TPS berechnet, nicht vom Netz.
• Planoptimierung: klassische inverse Planungsoptimierer, gesteuert durch ML-Vorannahmen oder Reinforcement Learning und regelbasierte „Wunschlisten"-Automatisierung.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jede Kontur und jeder Plan wird von einem qualifizierten Strahlentherapeuten und Physiker genehmigt; Automatisierungsbias und Sonderanatomie (postoperativ, Implantate, Kinder) sind die Hauptrisiken bei der Prüfung.

Datenaufbereitung

Die KI in der Strahlentherapie arbeitet mit DICOM-Daten, die bereits im PACS, im Onkologie-Informationssystem und im Bestrahlungsplanungssystem (TPS) liegen; Papier und Dateiablagen spielen kaum eine Rolle. Typische Lücken sind uneinheitliche Strukturnamen (dasselbe Organ mit fünf verschiedenen Bezeichnungen), Konturen, die über die Jahre unterschiedlichen Leitlinien folgen, fehlende strukturierte Verordnungen und ein Mix aus DICOM-RT-Versionen verschiedener Hersteller. Die Zugriffsrechte sind meist feingliedrig, aber an klinische Rollen gebunden.

Schritte der Aufbereitung: (1) die Strukturensätze inventarisieren und sich je Standort auf einen Benennungsstandard (TG-263) und eine Konturierungsleitlinie (ESTRO, RTOG) einigen; (2) die alten Namen per Skript auf den Standard abbilden, zum Beispiel mit pydicom oder der Skript-Schnittstelle des TPS; (3) je Standort 20 bis 50 aktuelle, klinisch freigegebene Fälle als lokalen Validierungssatz auswählen, geprüft von Arzt und Physiker; (4) alle Daten, die das Klinik-Netz verlassen, pseudonymisieren, zum Aufbau von Testsätzen mit Fachexperten siehe PREP-022 und PREP-018; (5) die Schnittstellen zwischen Scanner, PACS und TPS prüfen.

Grober Aufwandsanteil: etwa 30 bis 40 Prozent des Projekts, überwiegend Arbeitszeit der Kliniker für die Bereinigung der Namen und die Validierungsfälle. Nutzen Sie PREP-002, PREP-018 und PREP-019 als Vorbilder. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Enterprise (Klinikverbünde, MVZ, Strahlentherapie-Netzwerke): Weg A, weil Module für automatische Konturierung und Planung MDR-zertifizierte Produkte sind, die sich in das Bestrahlungsplanungssystem einfügen, und der Hersteller die Last der Konformität trägt.
• Entwickler: Weg C, weil offene Modelle (TotalSegmentator, nnU-Net, MONAI) für Forschung, Benchmarking und Validierung geeignet sind, nicht aber für die klinische Freigabe ohne eigene MDR-Verantwortung.
• Öffentlicher Sektor (Universitätskliniken, kommunale Kliniken): Weg A mit EU-Hosting oder On-Premises-Betrieb, weil Vergaberegeln und Patientendaten zertifizierte Produkte im Klinik-Netz begünstigen.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Automatische Konturierung: MVision AI (Finnland, EU), Therapanacea ART-Plan (Frankreich, EU), Limbus AI (UK), RaySearch RayStation Deep-Learning-Segmentierung (Schweden, EU), Varian/Siemens Healthineers (Eclipse, Ethos, AI-Rad Companion Organs RT), Elekta ADMIRE/Mosaiq, Brainlab Elements, Philips, Werkzeuge der DirectORGANS-Klasse.
• Planung/adaptiv: Varian Ethos und RapidPlan, RayStation, Elekta Unity, ViewRay MRIdian, Accuray.
• Wählen Sie A, weil das Produkt das MDR-zertifizierte Medizinprodukt ist (typischerweise Klasse IIa/IIb) mit vom Hersteller geführter klinischer Bewertung und TPS-Integration über DICOM-RT.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Allgemeine LLM-APIs spielen im Kern kaum eine Rolle. Cloud-gehostete Segmentierungsdienste der Hersteller (MVision, Therapanacea) werden per DICOM-Transfer genutzt; allgemeine VLMs sind für die Konturerzeugung ungeeignet.
• LLMs können bei Randaufgaben helfen: Protokollrecherche, Entwurf von Planberichten, Zusammenfassung von QA-Protokollen (HLTH-004), nicht aber bei dosisrelevanten Ergebnissen.

Weg C — Selbst betreiben (Open Source)

• Modelle/Werkzeuge: nnU-Net, MONAI, TotalSegmentator (CT/MR), Foundation-Modelle im Stil von MedSAM/SAM-Med3D, von OpenKBP abgeleitete Basismodelle zur Dosisvorhersage, matRad und OpenTPS für Forschungsplanung, pydicom/rt-utils für DICOM-RT.
• Hardware: HW3 (eine 48-GB-GPU) für Training und Inferenz; Inferenz allein läuft auf HW2.
• Einschränkung: Beim klinischen Einsatz im eigenen Haus wird die Klinik nach den Vorschriften für Gesundheitseinrichtungen in MDR Art. 5(5) zum Hersteller (Eigenherstellungs-Ausnahme: kein gleichwertiges Produkt am Markt, QMS, Begründung, öffentliche Erklärung). Der Einsatz in der Forschung braucht ein Ethikvotum, und keine klinische Entscheidung darf davon abhängen.

Weg D — Eigenes Training

Lohnt sich für institutionsspezifische Konturierungsstile, seltene Tumorlokalisationen, Kinderfälle oder MR-Linac-Protokolle. Erfordert einige hundert bis tausende kuratierte Strukturensätze mit einheitlicher Nomenklatur (TG-263), Prüfung durch mehrere Bearbeiter und eine prospektive Validierung. Föderiertes Training über Zentren hinweg hilft beim Datenschutz (DATA-005).

Stand der Technik (2026)

• Die automatische Konturierung von Risikoorganen ist in vielen europäischen Kliniken Routine; die Genauigkeit ist für die meisten Risikoorgane in Kopf-Hals, Thorax und Becken klinisch akzeptabel, und selbst nach Nachbearbeitung wird Zeit gespart. Zielvolumina, postoperative Tumorbetten und Lymphknotenregionen erfordern weiterhin erhebliche manuelle Nachbearbeitung.
• Foundation-Modelle (TotalSegmentator, per Prompt steuerbare 3D-Modelle) erweitern die Abdeckung, sind für sich genommen aber keine CE-gekennzeichneten Strahlentherapieprodukte.
• Dosisvorhersagenetze approximieren die TPS-Dosis gut genug, um suboptimale Pläne zu markieren und die Optimierung vorzubelegen; offene Benchmark-Wettbewerbe (OpenKBP) haben die Bewertung vereinheitlicht.
• Die Online-adaptive Strahlentherapie mit KI-Konturierung wandert von MR-Linacs zu CBCT-basierten Systemen; sCT ermöglicht die reine MR-Planung.
• Grenzen: Domänenverschiebung bei Scannern, Kontrastmitteln, Implantaten und ungewöhnlicher Anatomie; schleichender Qualitätsverlust nach Protokolländerungen; übermäßiges Vertrauen bei jungem Personal; Konturmetriken (Dice) korrelieren schlecht mit der Auswirkung auf die Dosis.

Gemeinsame Bausteine & Kombinationen

• Derselbe Segmentierungs-Stack und dieselbe DICOM-Infrastruktur wie bei HLTH-001 (Radiologie), HLTH-002 (Pathologie-Kachelung), HLTH-023 (Rekonstruktion/sCT); teilen Sie sich einen GPU-Server (HW3), ein PACS-/DICOM-Gateway und eine De-Identifizierungs-Pipeline.
• DATA-005 (synthetische Daten) und GEN-020 helfen bei der Anreicherung seltener Anatomie; HLTH-004 für die Recherche von Protokollen und Leitlinien.
• Bildgebung, TPS, Onkologie-Informationssystem (ARIA, Mosaiq) und QA-Werkzeuge bilden einen zusammenhängenden Arbeitsablauf.

Aufwand, Kosten & Kennzahlen

• Weg A: 2-6 Monate: Inbetriebnahme, Validierung an lokalen Patienten, Neugestaltung des Arbeitsablaufs, Schulung; Lizenz je Standort oder je Patientenplan.
• Weg C/D: 6-18 Monate plus regulatorische Arbeit; der größte Kostenblock ist die Arbeitszeit der Kliniker für Kuratierung und Validierung.
• Kennzahlen: Zeit für die Konturbearbeitung, Dice/Surface-Dice gegenüber klinischen Konturen, klinisch relevante Dosisabweichung, Dauer der Plangenerierung, Varianz des Planqualitäts-Scores, Anteil der Pläne, die die erste Prüfung bestehen, abgegebene adaptive Fraktionen, Beinahe-Vorfälle.

Menschen & Veränderung

Binden Sie die Geschäftsleitung und die Leitung der Strahlentherapie von Anfang an ein, denn dort liegen Budget und klinische Verantwortung. Strahlentherapeuten, Medizinphysiker und MTRA sind die eigentlichen Anwender und müssen die Validierung und den Freigabeprozess mitgestalten; holen Sie IT und IT-Sicherheit früh für die PACS-/TPS-Integration hinzu und die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten (DSB), bevor Daten die Klinik verlassen.

Betriebsrat: kommt darauf an. Ein TPS mit automatischer Konturierung protokolliert, wer welchen Plan bearbeitet oder freigegeben hat; das genügt nach §87(1) Nr. 6 BetrVG für die Mitbestimmung, weil das Bundesarbeitsgericht nur die objektive Eignung zur Überwachung verlangt. §90(1) Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn sich Arbeitsabläufe durch KI ändern. In öffentlichen Kliniken gilt der Personalrat. Ziehen Sie einen Sachverständigen nach §80(3) in Betracht.

Datenschutz: Patientendaten sind besondere Kategorien personenbezogener Daten (Art. 9 DSGVO); eine DSFA ist wahrscheinlich, dazu ein AVV (Art. 28 DSGVO) mit jedem Hersteller, der auf Daten zugreift, zum Beispiel bei Fernwartung.

KI-Kompetenz: Die KI-Verordnung (AI Act) Art. 4 verpflichtet Betreiber, Maßnahmen zur KI-Kompetenz ihres Personals zu ergreifen; schulen Sie zu typischen Fehlern (übersehene kleine Strukturen, anatomische Varianten) und zum Automatisierungsbias. Vermitteln Sie, dass die KI vorschlägt und der Arzt jede Kontur und jeden Plan genehmigt. Beginnen Sie mit einer Tumorlokalisation (zum Beispiel Prostata oder Brust) als Pilotgruppe und weiten Sie nach der Auswertung aus.

Leitfäden: GUIDE-004, GUIDE-005, GUIDE-006.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Hochrisiko (Art. 6(1), Anhang I), weil die Software ein Medizinprodukt nach MDR ist (typischerweise Klasse IIa/IIb), das eine Konformitätsbewertung durch eine Benannte Stelle erfordert. Die Pflichten gelten nach dem gestaffelten AI-Act-Zeitplan, wobei Produkte nach Anhang I später als solche nach Anhang III erfasst werden; prüfen Sie den aktuellen Zeitplan des Digital Omnibus. Betreiber müssen menschliche Aufsicht und KI-Kompetenz sicherstellen (Art. 4, Art. 26).
• MDR (EU 2017/745): klinische Bewertung, Überwachung nach dem Inverkehrbringen, Cybersicherheit; die Zweckbestimmung legt fest, ob Konturen „Vorschläge" oder eine Behandlungsgrundlage sind. Änderungen des Herstellers (Nachtraining) sind wesentliche Änderungen, die eine vorab festgelegte Änderungskontrolle erfordern.
• DSGVO: Gesundheitsdaten als besondere Kategorie (Art. 9); DSFA, Auftragsverarbeitungsverträge, EU-Hosting, pseudonymisierte DICOM-Daten für die Forschung.
• Klinische Governance: Strahlenschutzrecht (z. B. StrlSchG in Deutschland), Rolle des Medizinphysik-Experten, unabhängige Plankontrollen, lokale Inbetriebnahme und regelmäßige QA des KI-Modells nach ESTRO-/AAPM-Empfehlungen.
• Gegenmaßnahmen: verpflichtende Konturprüfung, automatisierte Plausibilitätsprüfungen (Seitenzuordnung, fehlende Organe), Überwachung auf Drift.

Erste Schritte

1. Umfang festlegen: Tumorlokalisationen (z. B. Kopf-Hals, Prostata, Brust) und welche Schritte (Konturierung, Dosisvorhersage, Planung).
2. 2-3 CE-gekennzeichnete Produkte in die engere Wahl nehmen, die zu Ihrem TPS und Onkologie-Informationssystem passen.
3. An 20-50 aktuellen lokalen Fällen in Betrieb nehmen; Bearbeitungszeit und Dosisauswirkung mit den klinischen Konturen vergleichen.
4. Die Verfahrensanweisung (SOP) schreiben: wer prüft, welche Prüfungen automatisch laufen, wie Fehler gemeldet werden; Personal schulen.
5. Kennzahlen vierteljährlich überwachen und nach jeder Software- oder Protokolländerung neu validieren.

Quellen

1. ESTRO - European Society for Radiotherapy and Oncology - https://www.estro.org/
2. Regulation (EU) 2017/745 (MDR) - https://eur-lex.europa.eu/eli/reg/2017/745/oj
3. MVision AI - https://www.mvision.ai/
4. Therapanacea ART-Plan - https://www.therapanacea.eu/
5. Varian Ethos adaptive therapy - https://www.varian.com/products/adaptive-therapy/ethos
6. RaySearch RayStation - https://www.raysearchlabs.com/raystation/
7. nnU-Net - https://github.com/MIC-DKFZ/nnUNet
8. TotalSegmentator - https://github.com/wasserth/TotalSegmentator
9. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj