Tieflern-basiertes System zur Vorhersage des Resektionsvolumens bei hepatozellulärem Karzinom mittels kontrastverstärkter CT

Intelligentere Planung bei Leberkrebsoperationen

Für Menschen mit Leberkrebs ist eine der größten Herausforderungen für Chirurgen die Entscheidung, wie viel von der Leber entfernt werden soll. Entfernt man zu wenig, kann der Tumor zurückkehren; entfernt man zu viel, bleibt dem Patienten womöglich nicht genug gesunde Leber zur Lebenserhaltung. Diese Studie stellt ein neues System der künstlichen Intelligenz (KI) vor, das CT-Scans nutzt, um Ärztinnen und Ärzten zu helfen, Leberoperationen schnell und präzise zu planen — mit dem Ziel, Operationen sicherer, schneller und konsistenter zu machen.

Warum die Lebergröße so wichtig ist

Das häufigste primäre Leberkarzinom, das hepatozelluläre Karzinom, ist sowohl aggressiv als auch weltweit zunehmend verbreitet. Eine Operation, die den Tumor vollständig entfernt, bietet einigen Patientinnen und Patienten die beste Chance auf langfristiges Überleben. Die Leber ist jedoch kein Organ, das beliebig entfernt werden kann. Sie erfüllt viele lebenswichtige Funktionen, von der Entgiftung bis zur Verarbeitung von Nährstoffen. Entfernt man zu viel, kann es nach dem Eingriff zu lebensbedrohlichem Leberversagen kommen. Andererseits erhöht das Belassen eines zu kleinen Sicherheitsabstands um den Tumor die Wahrscheinlichkeit, dass Krebszellen zurückbleiben. Die genaue Berechnung des sicher entfernbaren Leberanteils ist daher zentral für die moderne Leberchirurgie.

Der langsame, manuelle Status quo

Heute erfolgt diese sorgfältige Berechnung meist manuell. Radiologen und Chirurgen laden kontrastverstärkte CT-Scans in spezialisierte dreidimensionale (3D) Planungssoftware, zeichnen Leber und Tumoren Schicht für Schicht nach, identifizieren wichtige Blutgefäße und simulieren dann verschiedene Schnittführungen. Dieser Prozess kann viele Minuten pro Patientin bzw. Patient in Anspruch nehmen und erfordert hochqualifiziertes Personal. Er unterliegt zudem menschlichen Unterschieden: Zwei Expertinnen oder Experten können leicht unterschiedliche Begrenzungen zeichnen, und dieselbe Person ist nicht immer gleich konsistent. In stark ausgelasteten Kliniken, in denen viele Patienten eine Leberoperation benötigen, kann diese zeitintensive Planung die Versorgung verzögern und zusätzliche Kosten erzeugen.

Ein KI-Assistent namens LRVCD

Die Forschenden entwickelten ein KI-basiertes System, das sie "Liver Resection Volume Calculation with Deep Learning" (LRVCD) nennen. Es verwendet Deep-Learning-Modelle, die an CT-Scans von 990 Patientinnen und Patienten aus zwei großen Krankenhäusern über ein Jahrzehnt trainiert wurden. In der ersten Stufe erkennt die KI automatisch Lebertumoren und unterteilt die Leber in detaillierte anatomische Segmente auf den CT-Bildern. In der zweiten Stufe kombiniert das System diese Segmentkarten mit dem vom Chirurgen gewählten Plan — sei es die standardmäßige Segmententfernung oder ein unregelmäßiger, individueller Schnitt —, um zu berechnen, wie viel gesundes Lebergewebe und wie viel Tumor entfernt würden. Das System liefert zentrale Zahlen wie Gesamtlebervolumen, Tumorvolumen, das geplante Resektionsvolumen und den Prozentsatz der zu entfernenden Leber.

Das System auf dem Prüfstand

Um die Zuverlässigkeit von LRVCD zu prüfen, verglich das Team dessen Ergebnisse mit denen erfahrener Chirurginnen und Chirurgen, die etablierte 3D-Planungssoftware nutzten. Sie werteten zwei unabhängige Patientengruppen aus: eine aus demselben Krankenhaus, in dem die KI trainiert wurde, und eine andere aus verschiedenen Zentren. Für jeden Fall maßen sie, wie eng die Schätzungen der KI zu Lebervolumen, Tumorvolumen und geplanter Resektion mit der manuellen Referenz übereinstimmten. Die Unterschiede waren gering, und die Übereinstimmung in der Schlüsselgröße — dem Prozentsatz der zu entfernenden Leber — war in beiden Gruppen eng. Während die KI dazu neigte, das Gesamtlebervolumen leicht zu unterschätzen und das Tumorvolumen geringfügig zu überschätzen, blieben diese Abweichungen innerhalb akzeptabler klinischer Grenzen und spiegelten bekannte Eigenheiten menschlich gesteuerter 3D-Planung wider.

Von Stunden Arbeit zu Sekunden

Einer der auffälligsten Vorteile von LRVCD ist die Geschwindigkeit. Sowohl in internen als auch externen Testgruppen reduzierte der KI-gestützte Arbeitsablauf die Planungszeit ungefähr um das Zwanzigfache im Vergleich zum herkömmlichen 3D-Softwareprozess. Was früher in der Größenordnung von zehn Minuten oder mehr lag, konnte nun in unter einer halben Minute abgeschlossen werden. Da die KI die aufwändige Segmentierung und Volumenberechnung übernimmt, beschränkt sich der menschliche Beitrag weitgehend auf die Eingabe grundlegender chirurgischer Informationen und das Vornehmen kleiner Anpassungen bei Bedarf. Das ermöglicht Radiologinnen, Radiologen und Chirurginnen, Chirurgen, sich stärker auf klinische Entscheidungen und weniger auf wiederholende Mausarbeit zu konzentrieren.

Was das für Patientinnen und Patienten bedeutet

Für Patientinnen und Patienten lassen sich die technischen Details auf ein einfaches Versprechen reduzieren: präzisere und schnellere Operationsplanung ohne zusätzliche Untersuchungen oder Mehrkosten. Indem LRVCD schnelle, konsistente Schätzungen liefert, wie viel Leber sicher entfernt werden kann, kann es Chirurginnen und Chirurgen helfen, kurative Eingriffe anzustreben und gleichzeitig das Risiko eines postoperativen Leberversagens zu minimieren. Die Studie zeigt, dass dieses KI-Tool in etwa genauso gut abschneidet wie etablierte 3D-Planungsmethoden, dabei aber die Arbeitslast erheblich reduziert. Die Autoren weisen darauf hin, dass weitere Arbeiten nötig sind, um das System in breiteren Patientengruppen zu testen und die chirurgische Entscheidungsunterstützung weiter zu automatisieren, doch ihre Ergebnisse deuten darauf hin, dass KI-gestützte Planung bald ein praktischer Helfer im OP für die Leberkrebsversorgung werden könnte.

Zitation: Wang, X., Zhang, L., Liu, P. et al. Deep learning-based system to predict hepatocellular carcinoma resection volume using contrast-enhanced CT. Sci Rep 16, 6388 (2026). https://doi.org/10.1038/s41598-026-37085-x

Schlüsselwörter: Leberkrebsoperation, KI in der medizinischen Bildgebung, hepatozelluläres Karzinom, CT-Planung, Leberresek­tionsvolumen