Primäre spinale Knochentumoren sind selten und können zu starken Schmerzen, neurologischen Schäden und einer deutlichen Einschränkung der Lebensqualität führen. Die klinische Beurteilung erfolgt derzeit überwiegend manuell durch Einzeichnen der Tumorgrenzen in MRT- oder CT-Bildern, was zeitaufwendig ist und große individuelle Abweichungen mit sich bringt. Das Projekt adressiert diese Herausforderungen mit einer KI-gestützten automatisierten Tumorsegmentierung auf Basis des Deep-Learning-Verfahrens "nnUNet". Hierzu werden bereits vorhandene retrospektive klinische Bilddaten von etwa 40 behandelten Patientinnen und Patienten mit primären spinalen Knochentumoren genutzt. Zusätzlich werden diese Daten bei den noch lebenden Patienten systematisch um aktuelle patientenberichtete Outcomes (PROMs) ergänzt, um die Aussagekraft der Analysen deutlich zu erhöhen. Mittels der etablierten klinischen IT-Plattform Kaapana (föderierte Infrastruktur, standardisierte Workflows: Docker, Kubernetes) erfolgt eine datenschutzkonforme und standortübergreifende Analyse der Bilddaten. Diese automatisiert ermittelten Tumorgrenzen werden systematisch mit klinischen Indikatoren wie körperlicher Funktion, Symptomschwere, psychischer Belastung und Lebensqualität verglichen. Ziel ist es, ein digital unterstütztes System zur präziseren Verlaufskontrolle und zur besseren Entscheidungsfindung hinsichtlich chirurgischer und strahlentherapeutischer Interventionen zu etablieren. Erwartete Ergebnisse umfassen eine erheblich schnellere und präzisere Tumorbeurteilung, eine deutliche Verringerung der Untersuchervariabilität und eine stärker patientenorientierte Versorgung. Langfristig soll die innovative automatisierte Segmentierungsmethode als klinischer Standard etabliert und somit die Behandlungsqualität und Lebensqualität der Patientinnen und Patienten nachhaltig verbessert werden.