Methoden der künstlichen Intelligenz (KI) übernehmen zunehmend Aufgaben der medizinischen Diagnostik und versprechen vielfältige Anwendungen im Bereich der Lymphomdiagnostik. Voraussetzung sind jedoch umfassende Daten zur Modellentwicklung, wie sie auch in diesem Verbund generiert werden sollen. Die Nutzung sicherheitssensibler medizinischer Daten stellt einen komplexen Vorgang dar, der konform mit den regulativen Rahmenbedingungen erfolgen muss. Sogenannte föderierte Lernmethoden versprechen hierbei Abhilfe, indem sicherheitssensible Daten nicht mehr zwischen Standorten geteilt werden, sondern nurmehr Modellparameter übermittelt werden. Dieser Vorgang muss so erfolgen, dass keine persönlichen Daten rekonstruiert werden können. In den Laboren wird bereits eine Infrastruktur für föderiertes Lernen etabliert und eine gemeinsame Gewebeanalyse-Software optimiert. In diesem Projekt liegt der Fokus auf Representation Learning. Es wird eine federated Learning-Infrastruktur genutzt, um KI-Repräsentationen von Gewebeabschnitten zu entwickeln, die die Gewebearchitektur und ihre Kontextnuancen ‘verstehen’. Dafür werden am Standort Göttingen die sogenannten maskierten Autoencoder weiterentwickelt, so dass diese auch in föderierten Lernszenarien im Rahmen der Lymphomdiagnostik zum Einsatz kommen können. Weiter sollen die zu entwickelnden Representation Learning-Ansätze genutzt werden um die KI-unterstützte Diagnose um seltene Lymphomentitäten zu erweitern. Da seltene Erkrankungsentitäten üblicherweise unzureichend durch Daten abgedeckt werden können, sind hoch-optimierte Modell-Repräsentation und die Nutzung verteilter Daten entscheidend. In diesem Subprojekt werden die entsprechenden algorithmischen Grundlagen entwickelt.

Representation Learning ist ein neuer und äußerst effizienter Ansatz, um föderiertes Lernen in der Bildklassifikation und Bildannotation anzuwenden. Es hat auch großes Potenzial für die Differenzialdiagnose und Diagnoseunterstützung in der digitalen Pathologie. Als Teil des FDLP2 Konsortiums mit Partnern aus Göttingen, Kiel, Stuttgart und Würzburg ist das Vorhaben in Regensburg auf die Entwicklung einer speziellen Metrik und die Anwendung von XAI (eXplainable AI) fokussiert. Gemeinsam wird die selbstentwickelte föderierte Lerninfrastruktur pamly genutzt, um KI-Repräsentationen von Gewebeabschnitten zu entwickeln, die die Gewebearchitektur und ihre Kontextnuancen verstehen. In Regensburg wird insbesondere eine Metrik entwickelt, die die Ähnlichkeit von Gewebearchitekturen quantifiziert. Ziel ist es, die digitale Lymphom-Pathologie in drei Schlüsselbereichen voranzubringen: 1) Bereitstellung eines standardisierten, qualitätsgesicherten KI-Trainingssets von Referenz-Gewebeabschnitten mit flexiblen Repräsentationen für die KI-gestützte digitale Pathologie; 2) Erweiterung der KI-unterstützten Diagnose um seltene Lymphomentitäten und 3) Entwicklung von XAI-Anwendungen, die nicht nur Annotationsmöglichkeiten bieten, sondern auch den untersuchten Gewebeschnitt im Kontext ähnlicher, bereits diagnostizierter Gewebe aus der Referenzdatenbank erklären. Der Schwerpunkt auf die Entwicklung von XAI-Anwendungen wird dabei besonders in Regensburg gesetzt.

Lymphome sind eine komplexe Krebsart mit unterschiedlichen Entitäten, deren Identifizierung für eine optimale Behandlung essentiell ist. Die exakte pathologische Klassifikation ist jedoch oftmals eine Herausforderung. Es wurden zwei der weltweit umfangreichsten Datensätze kuratiert – einer für molekulare (OMICS) Daten und einer für hochauflösende Bilder. Darauf aufbauend hat die Forschungsarbeit des Vorhabens die aktuelle molekulare Klassifikation von Lymphomen entscheidend mitgeprägt. In dem Vorhaben ist bereits eine Infrastruktur für föderiertes Lernen etabliert und es wird eine gemeinsame Gewebeanalyse-Software optimiert. In diesem Projekt liegt der Fokus auf Representation Learning, wobei die federated Learning-Infrastruktur genutzt werden soll, um KI-Repräsentationen von Gewebeabschnitten zu entwickeln, die die Gewebearchitektur und ihre Kontextnuancen 'verstehen'. Der Standort Stuttgart wird hierbei zusammen mit den Pathologielaboren in Kiel und Würzburg ein standardisiertes, qualitätsgesichertes KI-Trainingsset von Referenz-Gewebeabschnitten mit flexiblen Repräsentationen für KI-gestützte digitale Pathologie bereitstellen.

Lymphome sind eine komplexe Krebsart mit unterschiedlichen Entitäten, deren Identifizierung für eine optimale Behandlung essentiell ist. Die exakte pathologische Klassifikation ist jedoch oftmals eine Herausforderung. Es wurden zwei der weltweit umfangreichsten Datensätze kuratiert – einer für molekulare (OMICS) Daten und einer für hochauflösende Bilder. Darauf aufbauend hat die Forschungsarbeit des Vorhabens die aktuelle molekulare Klassifikation von Lymphomen entscheidend mitgeprägt. In dem Vorhaben ist bereits eine Infrastruktur für föderiertes Lernen etabliert und es wird eine gemeinsame Gewebeanalyse-Software optimiert. In diesem Projekt liegt der Fokus auf Representation Learning, wobei die federated Learning-Infrastruktur genutzt werden soll, um KI-Repräsentationen von Gewebeabschnitten zu entwickeln, die die Gewebearchitektur und ihre Kontextnuancen 'verstehen'. Der Standort Würzburg wird hierbei zusammen mit den Pathologielaboren in Kiel und Würzburg ein standardisiertes, qualitätsgesichertes KI-Trainingsset von Referenz-Gewebeabschnitten mit flexiblen Repräsentationen für KI-gestützte digitale Pathologie bereitstellen.

Lymphome sind eine komplexe Krebsart mit unterschiedlichen Entitäten, deren Identifizierung für eine optimale Behandlung essentiell ist. Die exakte pathologische Klassifikation ist jedoch oftmals eine Herausforderung. Es wurden zwei der weltweit umfangreichsten Datensätze kuratiert – einer für molekulare (OMICS) Daten und einer für hochauflösende Bilder. Darauf aufbauend hat die Forschungsarbeit des Vorhabens die aktuelle molekulare Klassifikation von Lymphomen entscheidend mitgeprägt. In dem Vorhaben ist bereits eine Infrastruktur für föderiertes Lernen etabliert und es wird eine gemeinsame Gewebeanalyse-Software optimiert. In diesem Projekt liegt der Fokus auf Representation Learning, wobei die federated Learning-Infrastruktur genutzt werden soll, um KI-Repräsentationen von Gewebeabschnitten zu entwickeln, die die Gewebearchitektur und ihre Kontextnuancen 'verstehen'. Der Standort Kiel wird hierbei zusammen mit den Pathologielaboren in Würzburg und Stuttgart ein standardisiertes, qualitätsgesichertes KI-Trainingsset von Referenz-Gewebeabschnitten mit flexiblen Repräsentationen für KI-gestützte digitale Pathologie bereitstellen. Hierbei wird der Standort Kiel neben der Zusammenstellung der Referenzbilder vieler verschiedener Lymphomgewebe auch dazugehörige Annotationen wie Diagnose, Gewebeart, molekulare Merkmale und klinische Daten (soweit zur Diagnosestellung vorhanden gewesen) dokumentieren und bereitstellen. Für die Ressource von Bilddaten, die der Gemeinschaft zugänglich gemacht werden sollen, wird der Standort Kiel eine Prüfung von Vollständigkeit und technische Eignung der Bilder als technische Endkontrolle für alle Pathologiezentren durchführen.