Im ersten Teil unserer Beitragsreihe stand der Einsatz von Künstlicher Intelligenz (KI) in der Prostatakarzinom-Diagnostik im Fokus. Darauf aufbauend beleuchtete der zweite Teil den nächsten Schritt: KI-gestützte Therapieentscheidungen. Dieser dritte Teil richtet den Blick nun auf die Verlaufskontrolle beim Prostatakarzinom – und widmet sich damit den Fragen: Wie lassen sich Verläufe früher, objektiver und konsistenter erkennen – und wo liegen aktuell noch die Grenzen?
Die Verlaufskontrolle ist beim Prostatakarzinom der entscheidende „Frühwarnsensor“: Sie soll Rezidiv oder Progression rechtzeitig erkennen und den Moment markieren, ab dem aus Beobachten wieder Behandeln wird. Nach kurativer Therapie steht vor allem die Einordnung von PSA (Prostata-spezifisches Antigen)-Persistenz bzw. PSA-Rezidiv im Vordergrund. In der Active Surveillance braucht es eine eng begleitete, strukturierte Kontrolle – heute typischerweise mit individueller Risikostratifizierung unter Einbezug der multiparametrischen Magnetresonanztomographie (mpMRT) und gezielter Biopsie auffälliger Befunde. So lässt sich grundsätzlich bei Niedrigrisiko-Konstellationen Übertherapie vermeiden, ohne ein erhöhtes Risiko für die tumorassoziierte Mortalität.4 KI kann dabei unterstützen, indem sie PSA- und Bildverläufe konsistent auswertet und Warnsignale früher sichtbar macht.1–3
Zirkulierende Tumorzellen (CTCs) können das Monitoring ergänzen, weil sie sich wiederholt aus Blut gewinnen lassen und damit dynamische Hinweise auf Tumoraktivität liefern. Dieses minimalinvasive Verfahren, bei dem statt einer Gewebeprobe Körperflüssigkeiten – meist Blut – gewonnen und auf tumorassoziierte Marker bzw. Tumorzellen untersucht werden, wird als Liquid Biopsy (Flüssigbiopsie) bezeichnet. KI-Modelle können dabei Genexpressionsmuster in CTCs direkt auswerten und Prostatakarzinome zuverlässig von anderen Tumorentitäten unterscheiden (Gesamtgenauigkeit ca. 96 %). Aus solchen Expressionssignaturen lassen sich zudem Kandidaten für prognostische Marker ableiten, darunter miR-17-5p als mikroRNA-Kandidat, der in der Analyse als potenziell relevantes Signal erscheint und in der Literatur als prognostisch ungünstig beim Prostatakarzinom berichtet wurde. Die Kernbotschaft: Liquid-Biopsy-Daten sind nicht nur „positiv/negativ“, sondern können mithilfe von KI zu risikorelevanten Verlaufsinformationen verdichtet werden. Damit entsteht perspektivisch eine zusätzliche Ebene neben PSA und Bildgebung – vorausgesetzt, Cut-offs und Messprozesse sind klinisch robust standardisiert.1
Radiomics kann Prostata-MRTs stärker objektivieren, indem es zahlreiche quantitative Merkmale (z. B. Textur, Form, Intensität) extrahiert und zu messbaren Signaturen zusammenführt. Im Verlauf liegt der Nutzen darin, Veränderungen zwischen zwei Untersuchungen nicht nur beschreibend, sondern quantifizierbar zu erfassen – also Ausmaß und Richtung der Veränderung nachvollziehbar zu machen. Das kann die Verlaufsbeurteilung konsistenter machen und frühe Progressionshinweise unterstützen, besonders in der Active Surveillance. Voraussetzung sind jedoch robuste Bildqualität, reproduzierbare Protokolle und eine verlässliche (idealerweise automatisierte) Segmentierung, damit Ergebnisse zwischen Zentren vergleichbar bleiben. Damit wird Radiomics zu einem Baustein, der Verlauf nicht nur dokumentiert, sondern für prädiktive Modelle (z. B. Progressionsrisiko) nutzbar macht.2
Für die Active Surveillance ist es besonders hilfreich, nicht nur einen einzelnen Zeitpunkt zu bewerten, sondern Veränderungen über mehrere Kontrollen einzubeziehen. In einer Active-Surveillance-Kohorte lagen pro Patient drei bis sechs aufeinanderfolgende MRT-Untersuchungen vor; daraus wurden Radiomics-basierte Verlaufsmerkmale abgeleitet, die zusammen mit der PSA-Dichte das Risiko für ein histopathologisches Upgrading (in der Re-Biopsie zeigte sich eine aggressivere Tumorgradierung) deutlich besser abbildeten als Baseline-Informationen allein. Modelle, die Delta-Merkmale (letzter vs. erster Scan) oder die gesamte Zeitreihe nutzten, erzielten eine hohe Trennschärfe (AUC > 0,91) und lagen klar über einem reinen Baseline-Ansatz. Erklärbare KI (z. B. SHAP) machte zusätzlich sichtbar, welche Merkmale die Vorhersage trugen – ein wichtiger Schritt für die klinische Nachvollziehbarkeit.3
Wie hier beschrieben, kann KI in der Verlaufskontrolle beim Prostatakarzinom an mehreren Stellen ansetzen: CTC-basierte Liquid-Biopsy-Ansätze deuten an, dass sich Genexpressionsdaten so verdichten lassen, dass eine sehr treffsichere Tumorzuordnung möglich ist (≈ 96 %) und potenzielle Kandidatensignale für die Risikoeinordnung im Verlauf sichtbar werden.1 Radiomics kann die Prostata-MRT im Follow-up stärker objektivieren, indem quantitative Merkmale Veränderungen zwischen Zeitpunkten konsistenter erfassbar machen – allerdings nur bei robusten Protokollen, verlässlicher Segmentierung und externer Validierung.2 Besonders greifbar wird der Nutzen in der Active Surveillance, wenn serielle MRT-Informationen (3–6 Zeitpunkte) zusammen mit PSA-Dichte genutzt werden: Longitudinale Modelle konnten ein Upgrade in der Kontrollbiopsie deutlich besser vorhersagen als ein reiner Baseline-Ansatz (AUC > 0,91).3 Gleichzeitig liegen die Grenzen genau hier: ohne Standardisierung, klar definierte klinische Endpunkte und prospektive Prüfung bleibt die Übertragbarkeit in die klinische Routine unsicher.5 Erklärbarkeit ist zudem kein „Extra“, sondern Voraussetzung, damit Vorhersagen im klinischen Alltag nachvollziehbar bleiben.6
KI kann in der Behandlung des Prostatakarzinoms neue Impulse setzen – letztlich entsteht die Verlaufsbewertung jedoch immer im Zusammenspiel mit der klinischen Erfahrung der Urolog:innen. Die Technologie ergänzt damit bestehende Entscheidungswege, ohne deren ärztliche Grundlage zu verändern.
Abkürzungen
AUC = Area under the CurveSHAP = Shapley additive explanations
Referenzen
MAT-DE-NON-2026-00028 | Erstellt März 2026
