Genetische und molekulare Analysen haben gezeigt, dass phänotypisch ähnliche Krankheiten mehrere unterschiedliche Subtypen enthalten. Daher sollten medizinische Entscheidungen genau auf den einzelnen Patienten zugeschnitten sein, anstatt ein "One-Drug-fits-all"-Modell zu verfolgen. Für viele Krankheiten gibt es verschiedene therapeutische Optionen, die sich unterschiedliche molekulare Schwachstellen zunutze machen, und die Herausforderung besteht darin, diagnostische Pipelines zu entwickeln, um Patienten zuverlässig für das geeignete Medikament zu stratifizieren.

Für einen solchen personalisierten Medizinansatz sind spezifische molekulare Kernspintomographie-Sonden von unschätzbarem Wert, und daher ist die molekulare Bildgebung eine Methode der Wahl für eine personalisierte Behandlungsplanung. Das derzeitige Know-how, die Verfahren und die Evidenz erlauben jedoch noch nicht die vollständige Einbeziehung der molekularen PET- und SPECT-Bildgebung für eine detaillierte Patientenauswahl und Therapieanpassung. Diese Lücke zu schließen, ist ein Schwerpunkt der aktuellen klinischen und vorklinischen Forschung in der Abteilung für Nuklearmedizin an der MUW.

Immer komplexere und leistungsfähigere Bildgebungsgeräte erfordern ein aktives interdisziplinäres Umfeld von Klinikern und Naturwissenschaften. Daher bietet die Nuklearmedizin insbesondere Physikern ein breites Betätigungsfeld mit entscheidenden Beiträgen zum Forschungsfortschritt und zur Verbesserung der Patientenversorgung. Das starke wissenschaftliche Engagement der klinischen Abteilung mit Forschungspersonal bietet das Umfeld für die Weiterentwicklung der nuklearmedizinischen Bildgebungstechnologien mit dem Ziel, diese besser in die klinische Entscheidungsfindung einzubinden.

Rasche Verbesserungen der Computertechnologien treiben die Entwicklung und den Einsatz medizinischer Bildgebungstechnologien weiter voran. Technologien der künstlichen Intelligenz (KI) wie das maschinelle Lernen (ML) revolutionieren bereits die medizinische Bildgebung mit verbesserter Produktivität und Genauigkeit. Gegenwärtig wird ML bei der Analyse arbeitsintensiver histologischer Analysen eingesetzt und verbessert erfolgreich die Krankheitsdiagnose durch medizinisches Fachpersonal. Aus dieser Arbeit ist deutlich geworden, dass die gegenwärtige Diagnostik komplexe Datensätze mit ungelösten Informationen produziert, die mit computergestützten Werkzeugen erforscht werden können. Daher untersuchen wir gemeinsam mit unseren Kooperationspartnern aktiv, wie rechnergestützte Ansätze zur Analyse mehrdimensionaler Patientendaten einschließlich PET-Bildern die klinische Entscheidungsfindung für eine verbesserte Stratifizierung von Patienten unterstützen können.