TheraAgent: KI-Framework für präzise Vorhersage bei PET‑Theranostik

Die PET‑Theranostik revolutioniert die Präzisionsonkologie, doch die Reaktion auf die 177Lu‑PSMA‑Radioligand‑Therapie (RLT) bei metastasiertem, kastrationsresistentem Prostatakarzinom (mCRPC) ist stark variabel. Um die Therapieerfolge vorab zuverlässig vorhersagen zu können, wurde TheraAgent entwickelt – ein neuartiges, agentenbasiertes KI‑Framework, das die bislang ungelösten Herausforderungen in diesem Bereich adressiert.

Die drei zentralen Probleme bei der Vorhersage von PET‑Theranostik-Ergebnissen sind: (1) Daten- und Wissensknappheit, da die RLT erst 2022 von der FDA zugelassen wurde; (2) die Integration heterogener Informationen aus PET/CT‑Scans, Laborwerten und freitextlichen klinischen Dokumentationen; (3) die Notwendigkeit, Entscheidungen auf evidenzbasierte Daten zu stützen, anstatt sich auf mögliche Halluzinationen von großen Sprachmodellen (LLMs) zu verlassen. TheraAgent löst diese Probleme mit drei Kerninnovationen.

Erstens nutzt das System ein Multi‑Expert Feature Extraction, bei dem drei spezialisierte Experten die unterschiedlichen Datenquellen verarbeiten und ihre Ergebnisse mit einer confidence‑weighted Consensus zusammenführen. Zweitens verfügt es über einen Self‑Evolving Agentic Memory (SEA‑Mem), der aus gesammelten Fällen prognostische Muster lernt und so auch bei begrenzten Datenmengen case‑based reasoning ermöglicht. Drittens integriert TheraAgent eine kuratierte Theranostik‑Wissensdatenbank, die die Vorhersagen mit den Ergebnissen der VISION‑ und TheraP‑Studien verankert.

Die Evaluation von TheraAgent umfasste 35 reale Patienten und 400 synthetische Fälle, was die Vielseitigkeit und Skalierbarkeit des Ansatzes unterstreicht. Das Framework stellt damit einen bedeutenden Fortschritt dar, um die individuelle Therapieplanung bei PET‑Theranostik zu optimieren und die Erfolgsquote der 177Lu‑PSMA‑RLT zu erhöhen.