Die Strahlentherapie ist zentral in der Krebsbehandlung: Rund 63% der etwa 500.000 jährlich neu diagnostizierten Krebspatientinnen und -patienten in Deutschland erhalten eine Bestrahlung. Dabei gilt es, den Tumor exakt mit der verordneten Dosis zu erfassen und gleichzeitig gesundes Gewebe zu schonen. Sicherheitsmargen um das Tumorvolumen – das Clinical Target Volume (CTV) plus zusätzliche Randschicht zum Planning Target Volume (PTV) – gleichen Bildgebungs- und Lagerungsungenauigkeiten sowie intra-fraktionelle Bewegungen aus. Online-adaptive Strahlentherapie reduziert viele dieser Unsicherheiten durch tägliche CBCT-(Cone-Beam-CT-)Bildgebung und Planadaption: Nach dem ersten CBCT werden Organkonturen aktualisiert und ein neuer Bestrahlungsplan erstellt. Zwischen diesem CBCT und Bestrahlung kann sich die Anatomie jedoch erneut verschieben, weshalb kurz vor Therapiebeginn ein zweites CBCT angefertigt und die Patientenlagerung korrigiert wird. Dennoch treten während der bis zu zehnminütigen Bestrahlung weiterhin Bewegungen auf. Aktuell gilt im klinischen Alltag das "One-size-fits-all"-Prinzip: Alle Patientinnen und Patienten erhalten dieselben Margen. Das führt bei stabil liegenden Patienten zu Überbestrahlung und unnötigen Nebenwirkungen, während Patienten mit stärkeren Veränderungen unterdosiert werden können, was das Rezidivrisiko erhöht. Es wird ein Machine-Learning-Modell entwickelt, das anhand der Tischverschiebungen der ersten fünf Sitzungen die intra-fraktionelle Bewegung jedes Patienten vorhersagt. Auf dieser Grundlage werden individuelle CTV-zu-PTV-Margen für die verbleibenden (fünfzehn) Sitzungen abgeleitet: schmalere Margen bei geringer Veränderungen und größere bei höherer Instabilität. Dieser personalisierte Ansatz verspricht eine präzisere Tumorabdeckung und besseren Schutz gesunder Organe. Das Projekt fokussiert auf die Modellentwicklung und Machbarkeitsbewertung.