Das Teilprojekt bereitet klinische Informationen so auf, dass sie für eine nachvollziehbare, KI-gestützte Entscheidungsunterstützung in onkologischen Tumorboards genutzt werden können. In der Krebsversorgung liegen wichtige Informationen oft über viele verschiedene Dokumente verteilt vor, etwa radiologische Befunde, Pathologieberichte, Diagnosen, Tumorstadien, Therapien, Laborwerte, Arztbriefe und Tumorboardbeschlüsse. Ziel ist es, diese in eine maschinenlesbare, strukturierte und interpretierbare Form zu überführen, die den Krankheitsverlauf einer Patientin oder eines Patienten zeitlich und inhaltlich abbildet. Dafür werden relevante medizinische Ereignisse aus rückblickend verfügbaren Datenbeständen erkannt, strukturiert und vereinheitlicht. Darauf aufbauend lernt ein Modell, diese zu einer zusammenhängenden, zeitlich geordneten Darstellung des Krankheitsverlaufs zu verknüpfen, die auch das Ansprechen auf Therapien sowie das Wiederkehren der Erkrankung erfasst. So wird sichtbar, wann welche Diagnose gestellt wurde, welche Behandlung erfolgte, wie sich die Erkrankung im Verlauf veränderte und welche Dokumente und Ereignisse zu dieser Darstellung beigetragen haben. Anschließend wird in simulierten Tumorboard-Situationen geprüft, ob die im Gesamtvorhaben entstehenden Entscheidungsvorlagen für Ärztinnen und Ärzte verständlich, plausibel und praktisch nutzbar sind. Bewertet werden unter anderem die Verständlichkeit, die Vollständigkeit der Informationen, der Bezug zu Leitlinien, die Darstellung von Unsicherheit, die benötigte Vorbereitungszeit sowie die Akzeptanz durch klinische Anwenderinnen und Anwender. Zusätzlich werden patientenseitige Perspektiven einbezogen, etwa zu Transparenz, Verständlichkeit und verantwortungsvoller KI-Nutzung. Die Rückmeldungen helfen, das System schrittweise zu verbessern und sicherzustellen, dass die entwickelten Methoden nicht nur technisch leistungsfähig, sondern auch nachvollziehbar, verantwortungsvoll und praxisnah gestaltet sind.

Dieses Teilprojekt entwickelt den zentralen KI-Baustein von ARISTOTLE. Es führt die klinischen Informationen zum Krankheitsverlauf und die bildbasierten Informationen aus CT- und MRT-Untersuchungen zu einer gemeinsamen Darstellung des Patientenzustands zusammen. So entsteht ein Gesamtbild, das nicht nur einzelne Befunde betrachtet, sondern den Verlauf der Erkrankung, bisherige Behandlungen und relevante Kontextinformationen gemeinsam berücksichtigt. Auf dieser Grundlage sucht das System nach vergleichbaren Fällen, möglichen Therapiepfaden, Behandlungsergebnissen sowie nach Informationen aus Leitlinien und wissenschaftlicher Literatur. Diese Informationen werden in einem strukturierten Reasoning-Prozess verarbeitet. Ziel ist es, nachvollziehbare und evidenzgestützte Entscheidungsvorlagen zu erzeugen, die später in simulierten Tumorboard-Situationen geprüft werden. Ein besonderer Schwerpunkt liegt auf Transparenz und Unsicherheit. Das System soll nicht nur Ergebnisse liefern, sondern auch zeigen, worauf diese beruhen: Welche Informationen wurden verwendet? Welche ähnlichen Fälle wurden berücksichtigt? Welche Leitlinien oder Literaturquellen stützen eine Einschätzung? Gleichzeitig soll deutlich werden, wo Informationen fehlen, wo Evidenz widersprüchlich ist oder wo das Modell unsicher bleibt. Das Teilprojekt erzeugt keine autonomen Therapieentscheidungen. Wenn die Datenlage unzureichend ist oder die Unsicherheit zu hoch ist, soll das System dies klar anzeigen und keine Scheinsicherheit vermitteln. Die erzeugten Entscheidungsvorlagen sind ausschließlich für simulationsbasierte Prüfungen vorgesehen. Technisch wird untersucht, ob die verschiedenen Informationen stabil zusammengeführt werden können, ob die Reasoning-Pfade nachvollziehbar sind und ob Unsicherheit verständlich dargestellt wird. Damit trägt das Teilprojekt dazu bei, KI-gestützte Unterstützung in Tumorboards erklärbar, überprüfbar und verantwortungsvoll zu gestalten.

Im Teilvorhaben "TUM-CIT - Räumlich-zeitliche multimodale Bildrepräsentationen" des Projekts ARISTOTLE werden innovative Methoden zur Analyse onkologischer Bilddaten entwickelt. Ziel ist es, longitudinale CT- und MRT-Aufnahmen in einem gemeinsamen analytischen Rahmen zusammenzuführen, um Krankheitsverläufe präzise über die Zeit abzubilden und für multimodale Entscheidungsprozesse in Tumorboards nutzbar zu machen. Hierfür werden Verfahren zur zeitlichen Harmonisierung, Scannormalisierung und deformierbaren Registrierung medizinischer Bilddaten entwickelt. Diese ermöglichen eine konsistente Analyse von Tumorentwicklung, Läsionen, Tumorlast und Therapieansprechen über mehrere Untersuchungszeitpunkte hinweg. Aufbauend darauf werden räumlich-zeitliche Repräsentationsmodelle entwickelt, die komplexe Zusammenhänge wie Tumormorphologie, Organkontext, Läsionsheterogenität und Progressionsmuster gemeinsam erfassen. Moderne KI-Ansätze, insbesondere transformerbasierte Modelle und kontrastives Lernen, werden eingesetzt, um robuste und patientenkonsistente Bildrepräsentationen zu erzeugen. Ein zentraler Aspekt ist die Interpretierbarkeit der gewonnenen Ergebnisse. Die entwickelten Repräsentationen werden mit klinischen Biomarkern und radiologischen Merkmalen verknüpft, um Transparenz, Nachvollziehbarkeit und klinische Relevanz sicherzustellen. Ergänzend wird eine automatisierte Metrik zur Bewertung der Fallkomplexität entwickelt, die Faktoren wie Tumorlast, Läsionsanzahl, räumliche Heterogenität und Therapieantwort berücksichtigt. Die entwickelten Methoden werden auf verschiedenen Prüfkohorten hinsichtlich Robustheit und Übertragbarkeit evaluiert. Ziel ist die Bereitstellung stabiler, interpretierbarer und standardisierter Bildrepräsentationen, die als Grundlage für weiterführende KI-gestützte Entscheidungsprozesse im Gesamtvorhaben dienen.