Die US-amerikanische Food and Drug Administration (FDA) hat kürzlich die MIM LesionID™ Pro-Software genehmigt, die eine 510(k)-Zulassung erhalten hat. Dies markiert einen neuen Fortschritt für die künstliche Intelligenz im Bereich der Analyse nuklearmedizinischer Bilder. Die von GE HealthCare entwickelte KI-Software zielt darauf ab, die traditionell manuelle und zeitaufwändige Bewertung der systemischen Tumorlast mittels PSMA PET/CT und SPECT/CT durch Automatisierung zu verändern.
Laut GE HealthCare nutzt die MIM LesionID Pro-Software KI-Algorithmen, um systemische Prostata-spezifische Membranantigen (PSMA)-Aufnahmebereiche automatisch zu segmentieren und effektiv zwischen abnormaler und normaler Aufnahme zu unterscheiden, wodurch nuklearmedizinische Bildgeber bei präziseren Bewertungen unterstützt werden. Dieser Prozess erfordert nur einen einzigen Klick und vereinfacht komplexe Arbeitsabläufe.
Die Software wurde erstmals auf der SNMMI-Konferenz 2025 vorgestellt. Ihre Funktionen beschränken sich nicht nur auf die schnelle Bewertung des Tumorlastausmaßes, sondern umfassen auch die kontinuierliche Überwachung quantitativer Veränderungen der Gesamttumorlast im Zeitverlauf, was eine dynamische Datenunterstützung für klinische Entscheidungen bietet. Jean-Luc Procaccini, Präsident und CEO von Molecular Imaging & Computed Tomography bei GE HealthCare, sagte: „Die FDA-Zulassung für MIM LesionID Pro ist ein wichtiger Schritt in unserem Engagement, intelligente, vernetzte Lösungen bereitzustellen, die Klinikern helfen, schnelle und selbstbewusste Entscheidungen zu treffen. Durch die Automatisierung der systemischen Tumorlastanalyse in PSMA PET/CT- und SPECT/CT-Studien vereinfacht dieses innovative digitale Tool komplexe Prozesse und bringt uns dem vollständigen Potenzial einer integrierten Diagnostik und Therapie sowie einer personalisierten Medizin näher."
Insgesamt hat der Einsatz von KI-Software in der Tumorlastanalyse durch PSMA PET/CT- und SPECT/CT-Technologien das Potenzial, die Diagnoseeffizienz zu steigern, menschliche Fehler zu reduzieren und die medizinische Bildgebung in Richtung einer intelligenteren Entwicklung voranzutreiben. Dieser Fortschritt könnte die Grundlage für die Integration weiterer KI-Tools in die klinische Praxis in Zukunft legen und die Patientenversorgungsprozesse weiter optimieren.
