HCC: BCLC Klassifikation und KI-Potenzial (EASL 2024)
📋Auf einen Blick
- •Die Barcelona Clinic Liver Cancer (BCLC) Klassifikation ist seit über zwei Jahrzehnten der Standard für die prognostische Beurteilung und initiale Therapieauswahl beim hepatozellulären Karzinom (HCC).
- •Die BCLC-Klassifikation wurde in den kürzlich erneuerten EASL Clinical Practice Guidelines zum Management von HCC erneut bestätigt.
- •Ihr Design basiert auf einfachen klinischen und bildgebenden Parametern, was ihre Anwendbarkeit im klinischen Alltag hoch macht.
- •Künstliche Intelligenz (KI) kann digitale Bildgebungsmerkmale vollautomatisch und präzise extrahieren und quantifizieren.
- •KI hat das Potenzial, quantitative Bildgebung in die klinische Entscheidungsfindung zu integrieren und die bestehende BCLC-Klassifikation zu ergänzen.
- •Trotz erheblicher Fortschritte bestehen weiterhin Herausforderungen bei der klinischen Implementierung von KI, darunter technische, administrative, kosten- und schulungsbezogene Faktoren sowie fehlende Standardisierung und Workflow-Integration.
Hintergrund
Die Barcelona Clinic Liver Cancer (BCLC) Klassifikation stellt seit mehr als zwei Jahrzehnten den Eckpfeiler für die prognostische Beurteilung und die initiale Auswahl der Behandlung beim hepatozellulären Karzinom (HCC) dar. Ihre weite klinische Akzeptanz wurde in den kürzlich erneuerten EASL Clinical Practice Guidelines on the management of HCC erneut bestätigt. Das Design der BCLC-Klassifikation basiert auf einfachen klinischen und bildgebenden Parametern, was ihre hohe Anwendbarkeit im klinischen Alltag gewährleistet.
Potenzial der Künstlichen Intelligenz (KI) in der HCC-Diagnostik
Obwohl die BCLC-Klassifikation weit verbreitet ist, nutzt sie nicht alle potenziell in der routinemäßigen radiologischen Bildgebung enthaltenen Informationen vollständig aus. Mit der Reifung von Künstliche Intelligenz (KI)-Methoden steht nun ein robustes Werkzeug zur Verfügung, um digitale Bildgebungsmerkmale vollautomatisch, präzise und mit geringem Benutzereingriff zu extrahieren und zu quantifizieren. KI könnte somit die quantitative Bildgebung in die klinische Entscheidungsfindung integrieren und die bestehende BCLC-Klassifikation ergänzen.
Es gibt bereits erhebliche Fortschritte der KI in verschiedenen Bereichen, die für das HCC-Management relevant sind, darunter:
- Automatisierte Tumorvolumetrie
- Radiomics
- Erkennung metastatischer Läsionen
- Erfassung opportunistischer Bildgebungs-Biomarker
Herausforderungen bei der klinischen Implementierung von KI
Trotz der substanziellen Fortschritte der KI in vielen Bereichen besteht weiterhin eine translationale Lücke bei der Überführung in die klinische Praxis. Die klinische Implementierung in die Routineversorgung wird durch mehrere Faktoren behindert:
- Technische Herausforderungen
- Administrative und kostenbezogene Faktoren
- Schulungsbezogene Faktoren
- Eine gewisse Aversion gegenüber Veränderungen
- Fehlende standardisierte KI-Validierung
- Mangelnde Workflow-Integration
Dieser Artikel zielt darauf ab, aktuelle KI-quantifizierte Bildgebungsparameter und deren Potenzial für eine Synergie mit der etablierten BCLC-Klassifikation zu bewerten.
💡Praxis-Tipp
Die BCLC-Klassifikation bleibt der etablierte Standard für die initiale Behandlungsauswahl bei HCC und wurde in den EASL 2024 Leitlinien erneut bestätigt. Beachten Sie das wachsende Potenzial der KI zur Ergänzung, aber auch die aktuellen Hürden bei der Implementierung.