Trotz intensiver Bemühungen, Informatik und klinische Praxis stärker zu verzahnen, besteht im Klinikalltag weiterhin eine deutliche Lücke zwischen der Entwicklung moderner Technologien und deren Anwendung. Ärztinnen und Ärzte verfügen über tiefes medizinisches Fachwissen und Zugang zu relevanten Patientendaten, es fehlen jedoch technische Werkzeuge und Kompetenzen zur eigenständigen Analyse. Gleichzeitig können Informatiker leistungsstarke Werkzeuge entwickeln, es fehlt ihnen aber oft der klinische Kontext, um medizinisch relevante Fragestellungen zu erkennen. Diese Diskrepanz erschwert die Zusammenarbeit, insbesondere bei neuen Forschungsansätzen oder kleinen Anpassungen bestehender Tools. Ziel dieses Projekts ist es, Ärztinnen und Ärzten eine visuelle, einfach zu bedienende Programmieroberfläche bereitzustellen, die es ihnen ermöglicht, eigene datengetriebene Forschung durchzuführen. Diese Oberfläche wird in die bereits in vielen deutschen Kliniken etablierte Bildanalyseplattform Kaapana integriert. Aktuell erfordert deren Nutzung Programmierkenntnisse – eine Hürde, die durch eine benutzerfreundliche Umgebung abgebaut werden soll. Die zentrale Forschungsfrage lautet: Wie können wird es medizinischem Personal ermöglicht, Analysepipelines für medizinische Bilddaten selbstständig, flexibel und klinisch relevant zu gestalten? Ergebnis soll eine neue Schnittstelle sein, mit der medizinische Fragestellungen schneller und unabhängiger bearbeitet werden können – ein Schritt zur beschleunigten Innovation in der Onkologie.

Die akute myeloische Leukämie (AML) ist eine lebensbedrohliche Krankheit, die für viele Patientinnen und Patienten oft unheilbar ist. Die Behandlung reicht von leichter Palliativmedizin bis hin zu intensiven Therapien mit dem Ziel, die Krankheit zu heilen. Die lichtmikroskopisch nachgewiesene Abwesenheit von Leukämie wird als komplette Remission (CR) bezeichnet. Eine CR kann bei etwa 70 % der Patientinnen und Patienten erreicht werden, aber das Vorhandensein einer minimalen Restkrankheit (MRD), die lichtmikroskopisch nicht nachweisbar ist, bleibt ein Problem. MRD kann mit Hilfe der Multiparameter-Durchflusszytometrie (MFC) oder der Molekulargenetik nachgewiesen werden, und ihr Fortbestehen ist ein wichtiger prognostischer Faktor. Die Kenntnis der MRD wird bereits als Grundlage für therapeutische Entscheidungen genutzt. Auf der Grundlage einer reichhaltigen Quelle von MFC-Daten bei der Erstdiagnose und nach einer intensiven Induktionschemotherapie werden auf maschinellem Lernen basierende Tools entwickelt, um die MRD-Erkennung zu automatisieren oder zumindest zu unterstützen. Dieser auf R/Python basierende Arbeitsablauf wird eine schnelle und reproduzierbare Verbesserung des derzeit klinisch genutzten manuellen Analyseprozesses darstellen, der zeitintensiv und stark Bewerterabhängig ist.

Die strukturierte Dokumentation onkologischer Therapieverläufe ist für Forschung und Versorgung von zentraler Bedeutung, erfordert jedoch bislang einen hohen manuellen Aufwand. Mit der zunehmenden Leistungsfähigkeit großer Sprachmodelle (engl.: Large Language Models, LLMs) eröffnen sich neue Möglichkeiten zur Automatisierung dieser Aufgabe. Vor diesem Hintergrund verfolgt das Vorhaben das Ziel, aktuelle Verfahren der künstlichen Intelligenz zur automatisierten Strukturierung von Informationen aus klinischen Freitexten zu Therapieverläufen von Tumorpatienten zu erproben und insbesondere die Möglichkeiten von großen Sprachmodellen in diesem Bereich systematisch zu untersuchen. Das Vorhaben baut auf einem bereits annotierten Textkorpus von Dokumenten aus der klinischen Routinebehandlung von urologischen Patientinnen und Patienten auf. Der Fokus wird dabei auf die Erkennung von relevanten Tumorbehandlungen und deren Zuordnung zu einer Tumorerkrankung gelegt. Die im Datensatz enthaltenen Annotationen von klinischen Experten ermöglichen eine quantitative Analyse der Leistungsfähigkeit von LLMs in diesem Anwendungsbereich. Die Ergebnisse dieser Evaluation sollen aufzeigen, inwieweit aktuelle, frei verfügbare LLMs in Kombination mit etablierten Verfahren wie Prompting (textuelle Anweisungen an die Modelle) und Fine-Tuning (Anpassung der Modellgewichte mittels weiterer Daten) perspektivisch zur automatisierten Tumordokumentation eingesetzt werden können. Die entwickelte Evaluierungspipeline wird unter einer Open-Source-Lizenz veröffentlicht. Es wird ebenfalls angestrebt, mit den Daten trainierte Modelle öffentlich zugänglich zu machen, soweit sich dies in Anbetracht des Datenschutzes vertreten lässt. Dazu sind Prüfungen zur Datenschutzkonformität geplant, die bereits beim Fine-Tuning der Modelle eingeplant werden.

Primäre spinale Knochentumoren sind selten und können zu starken Schmerzen, neurologischen Schäden und einer deutlichen Einschränkung der Lebensqualität führen. Die klinische Beurteilung erfolgt derzeit überwiegend manuell durch Einzeichnen der Tumorgrenzen in MRT- oder CT-Bildern, was zeitaufwendig ist und große individuelle Abweichungen mit sich bringt. Das Projekt adressiert diese Herausforderungen mit einer KI-gestützten automatisierten Tumorsegmentierung auf Basis des Deep-Learning-Verfahrens "nnUNet". Hierzu werden bereits vorhandene retrospektive klinische Bilddaten von etwa 40 behandelten Patientinnen und Patienten mit primären spinalen Knochentumoren genutzt. Zusätzlich werden diese Daten bei den noch lebenden Patienten systematisch um aktuelle patientenberichtete Outcomes (PROMs) ergänzt, um die Aussagekraft der Analysen deutlich zu erhöhen. Mittels der etablierten klinischen IT-Plattform Kaapana (föderierte Infrastruktur, standardisierte Workflows: Docker, Kubernetes) erfolgt eine datenschutzkonforme und standortübergreifende Analyse der Bilddaten. Diese automatisiert ermittelten Tumorgrenzen werden systematisch mit klinischen Indikatoren wie körperlicher Funktion, Symptomschwere, psychischer Belastung und Lebensqualität verglichen. Ziel ist es, ein digital unterstütztes System zur präziseren Verlaufskontrolle und zur besseren Entscheidungsfindung hinsichtlich chirurgischer und strahlentherapeutischer Interventionen zu etablieren. Erwartete Ergebnisse umfassen eine erheblich schnellere und präzisere Tumorbeurteilung, eine deutliche Verringerung der Untersuchervariabilität und eine stärker patientenorientierte Versorgung. Langfristig soll die innovative automatisierte Segmentierungsmethode als klinischer Standard etabliert und somit die Behandlungsqualität und Lebensqualität der Patientinnen und Patienten nachhaltig verbessert werden.

Ziel des Projekts SHAPE-O ist die Erweiterung des bestehenden Tools REDPath (Räumlich-epidemiologische Datenanalyse von Pathologiedaten) um ein neues Modul zur interaktiven Analyse der regionalen onkologischen Versorgung. REDPath verarbeitet automatisiert Routinedaten aus der Pathologie (seit 2019 über 41.000 Tumorpatientinnen und -patienten). Der Prototyp des Tools wurde Anfang 2025 fertiggestellt und ermöglicht bislang die deskriptive, kartenbasierte und statistische Analyse von Tumordaten, um die Verteilung von Tumorerkrankungen und deren Bezug zu Umweltfaktoren darzustellen und zu untersuchen. Im Rahmen des Projekts SHAPE-O soll REDPath technisch und funktional weiterentwickelt werden: Einerseits erfolgt die Integration intern verfügbarer Versorgungsdaten (z. B. Einsenderstruktur, Fallzahlen nach Einrichtung, Patientendemografie), andererseits die Anbindung öffentlich zugänglicher externer Daten zu Versorgungsstrukturen (z. B. Arztdichte, Krankenhausstandorte, sozioökonomische Merkmale). Die Daten werden auf Stadtteil-, Gemeinde- und regionaler Ebene verknüpft und über eine grafische Benutzeroberfläche visualisiert. Technisch basiert REDPath auf einem modularen System mit automatisierter Datenanbindung an die lokale Befundungssoftware, SQL-basierter Datenbankstruktur und interaktiver Oberfläche für Nutzerinnen und Nutzer ohne Statistikkenntnisse. Die geplante Erweiterung dient als Machbarkeitsstudie und soll nach ersten Testläufen in einem Abschlussbericht sowie im Rahmen einer wissenschaftlichen Publikation ausgewertet und veröffentlicht werden. Perspektivisch soll REDPath praxisnah von öffentlichen Institutionen wie Krebsregistern, Gesundheitsbehörden oder Forschungseinrichtungen genutzt werden.

Die Komplexität in der onkologischen Versorgung wächst stetig, bedingt durch differenzierte molekulare Klassifikationen, multimodale Therapien und zunehmende Evidenz. Gleichzeitig entstehen hoch individualisierte, schwer überblickbare Behandlungspfade, die von sozioökonomischen, regionalen und strukturellen Faktoren beeinflusst werden. Um fundierte Entscheidungen auf Patienten-, Klinik- und Systemebene zu ermöglichen, ist eine integrative, hochgranulare Datenbasis notwendig. Das Krebsregister Rheinland-Pfalz am Institut für digitale Gesundheitsdaten erfasst sektorenübergreifend umfassende Informationen zu Diagnose, Therapie und Verlauf aller Krebserkrankungen im Bundesland. Neben medizinischen Daten werden auch Merkmale der Leistungserbringer, Wohnorte und Versicherungsstatus standardisiert dokumentiert. Diese einzigartige Datenbasis ermöglicht detaillierte Einblicke in reale Versorgungsstrukturen und Behandlungsverläufe. Ziel des Projekts ist die Entwicklung einer öffentlich zugänglichen Analyse- und Visualisierungsplattform für onkologische Versorgungspfade. Mithilfe von Process-Mining und Machine Learning werden reale Behandlungspfade rekonstruiert, Patientenkohorten automatisch gruppiert und sogenannte Patient Journeys visualisiert. So lassen sich Versorgungsvarianten vergleichen, Ineffizienzen identifizieren und Disparitäten aufdecken. Kern der Plattform ist ein interaktives Dashboard mit drei Perspektiven: 1) Process Maps zur Visualisierung typischer Versorgungspfade; 2) kohortenspezifische Prozessmodelle als Vergleichsgrundlage und 3) Process-Variant-Comparisons zur Analyse regionaler und institutioneller Unterschiede. Das Projekt schafft so eine datenbasierte Entscheidungsgrundlage für Forschung, Versorgungsgestaltung und Gesundheitspolitik, im Einklang mit der Krankenhausstrukturreform.

Das Gesamtziel des Vorhabens PRIME NOW ist die quantitative Untersuchung des Einflusses des Zeitintervalls zwischen Erstdiagnose einer Krebserkrankung und dem Beginn einer Immuncheckpoint-Inhibitor (ICI)-Therapie auf deren klinische Wirksamkeit (z. B. Gesamtüberleben, progressionsfreies Überleben). Es soll geprüft werden, ob ein früherer Therapiebeginn mit verbesserten Patientenergebnissen assoziiert ist, unabhängig davon, ob der Tumor operabel ist oder nicht. Die Ergebnisse sollen dazu beitragen, die Evidenzbasis für die optimale zeitliche Gestaltung von ICI-Therapien zu stärken und potenziell die Grundlage für prospektive klinische Studien und Anpassungen von Behandlungsleitlinien zu schaffen. Eine Verwertung der Ergebnisse ist durch wissenschaftliche Publikationen und Präsentationen geplant, mit dem langfristigen Ziel, die klinische Entscheidungsfindung und Versorgungsstrategien in der Onkologie zu informieren.

Krebstherapien wie Chemotherapie und Immuntherapie können schwere Nebenwirkungen verursachen, die die Lebensqualität vermindern und Behandlungen unterbrechen. Moderne Therapien haben zwar das Überleben verbessert, bergen jedoch individuelle Risiken, die maßgeblich von Alter, Geschlecht, Vorerkrankungen und Begleitmedikation abhängen. Diese Diversitätsfaktoren werden bei der Therapieplanung bisher unzureichend berücksichtigt, was vermeidbare Toxizitäten und suboptimale Behandlungsergebnisse zur Folge hat. Ziel dieses Projekts ist die Entwicklung personalisierter Risikoabschätzungen für therapiebedingte Nebenwirkungen bei Patientinnen und Patienten mit gastrointestinalen Tumoren, Lungenkrebs, Sarkomen sowie Kopf-Hals-Tumoren (hier erfolgt die Therapieapplikation in der interdisziplinären Therapieeinheit). Untersucht wird: 1) Welche klinischen, bildgebenden und Patienten-berichteten Daten die Wahrscheinlichkeit und Schwere von Nebenwirkungen am besten vorhersagen. 2) Wie Faktoren wie Körperzusammensetzung, Begleitmedikation und Patientensymptome das Toxizitätsrisiko beeinflussen. 3) Ob sich Frühwarnmodelle in die klinische Praxis implementieren lassen und die Therapietreue verbessern können. Zur Beantwortung werden Bilddaten aus CT-Scans integriert, analysiert mit einer etablierten Deep-Learning-Pipeline zur Quantifizierung von Skelettmuskelmasse, Knochendichte und Fettkompartimenten sowie detaillierte Behandlungsdaten aus elektronischen Patientenakten sowie Patient Reported Outcome Measurements zu Symptomen und Wohlbefinden. Das Projekt ist eine Kooperation zwischen der Klinik für Onkologie, dem University Cancer Center, dem Medical Data Integration Center und dem Zentrum für interventionelle Radiologie. Es werden zuverlässige Algorithmen zur Identifikation von Hochrisikopatientinnen und -patienten vor Therapiebeginn erstellt. Diese Werkzeuge ermöglichen frühzeitige Dosisanpassungen und präventive Maßnahmen sowie eine individualisierte Nutzen-Risiko-Abwägung.

Erkrankungen des muskuloskelettalen Systems zählen weltweit zu den häufigsten Ursachen für körperliche Einschränkungen und Schmerzen und beeinträchtigen sowohl die Lebensqualität der Patientinnen und Patienten als auch die Gesundheitssysteme erheblich. Die frühzeitige und präzise Erkennung von Knochenläsionen – verursacht durch Metastasen, primäre Knochentumoren oder degenerative Erkrankungen – ist entscheidend für eine optimale Behandlung. Aufgrund ihrer Komplexität führen Fehldiagnosen und Verzögerungen jedoch häufig zu verspäteter Therapie und reduzierter Überlebensrate. Diese Machbarkeitsstudie verfolgt zwei Hauptziele: 1) die zuverlässige Detektion und Klassifikation von Knochenläsionen mittels eines multimodalen Machine-Learning-Ansatzes, der Bildgebung, klinische Daten und textbasierte Informationen kombiniert, sowie 2) die Bewertung des individuellen Beitrags jeder Datenmodalität zur Gesamtleistung des Modells. Die monozentrisch durchgeführte Studie basiert auf histopathologisch gesicherten Datensätzen zur Entwicklung und Validierung entsprechender ML-Modelle. Das Projekt bildet den Auftakt zu einer langfristig angelegten Initiative für strukturierte, automatisierte Diagnoseverfahren für Knochensarkome. In den Folgephasen sollen multizentrische, multimodale Datensätze aufgebaut, Klassifikationssysteme analysiert und ML-Modelle zur automatisierten Bildauswertung entwickelt werden. Perspektivisch sollen ML-basierte Klassifikationserklärungen in klinische Workflows integriert und durch den Einsatz von Natural Language Processing (NLP) die interdisziplinäre Kommunikation verbessert werden. Die vorliegende Machbarkeitsstudie schafft die Basis für weiterführende Studien und eine spätere Implementierung in radiologische Entscheidungsunterstützungssysteme.

Glioblastome stellen die häufigste und zugleich aggressivste Form primärer Tumoren des zentralen Nervensystems dar. Selbst unter Anwendung der etablierten Therapieoptionen ist die Prognose sehr beschränkt. Aktuelle Behandlungsstrategien zielen zunehmend auf die gezielte Hemmung von Signalwegen in Tumoren ab. Entscheidend für die Administration ist die histopathologische Erhebung eines sogenannten H-Scores an immunhistochemisch gefärbten Tumorschnitten zum Nachweis einer Phosphorylierung des Schlüsselproteins mTOR. Diese manuelle Auswertung ist äußerst zeitintensiv, da sie die Betrachtung des gesamten Schnittes und eine Einschätzung jeder einzelnen Tumorzelle erfordert. Zudem existieren bislang keine standardisierten Grenzwerte zur Interpretation mTOR-spezifischer Färbungen, was zu erheblichen subjektiven Unterschieden in der Bewertung führt. In der Folge resultieren unscharfe H-Scores ohne klar definierte Schwellenwerte für die Therapieentscheidung, was wiederum therapeutische Konsequenzen beeinträchtigen kann. Aus diesen Gründen soll ein KI-gestütztes Bildanalyse-Verfahren für die mTOR-Befundung erstellt werden. Ein solches würde es erlauben klare Grenzwerte zu ermitteln, eine Reduktion von subjektiven Bewertungsfehlern bewirken, eine Entlastung der Pathologinnen und Pathologen durch Automatisierung gewährleisten und die Entwicklung eines verbesserten, prädiktiven Scoring-Systems auf Basis einer zellgenauen Analyse ermöglichen.

Große Sprachmodelle (LLMs) werden klinisch evaluiert, sind aber Black Boxes. Ihr internes Verständnis medizinischer Konzepte ist unklar. Diese Opazität ist höchst riskant: LLMs können Verständnis vortäuschen, intern aber kritische klinische Unterscheidungen (z. B. zwischen Krebstypen mit spezifischen Therapien/Prognosen oder Elementen divergierender Behandlungspfade) gefährlich falsch abbilden. Das Projekt untersucht systematisch die internen Wissensrepräsentationen vortrainierter LLMs. Es nutzt existierende, ontologie-annotierte onkologische Radiologieberichte, um zu prüfen, ob LLMs medizinische Konzepte intern klinisch adäquat organisieren. Annotierte Texte werden durch Open-Source LLMs (Llama, Mistral, Qwen) prozessiert, um deren interne Embeddings (Vektorrepräsentationen) zu extrahieren. Diese Embeddings werden mit etablierten medizinischen Ontologien – RadLex (organisiert radiologische Terminologie hierarchisch) und NCI Thesaurus (NCIt, bietet detaillierte krebsspezifische Konzepte) – als Referenz verglichen. So wird die Genauigkeit der internen LLM-Konzeptorganisation bewertet. Zentrale Forschungsfragen sind: 1) Liefern laut RadLex synonyme/eng verwandte Krebstermini in verschiedenen LLMs konsistent ähnliche Embeddings? 2) Spiegelt der Embedding-Raum eines LLMs die korrekten hierarchischen Beziehungen onkologischer Konzepte (z. B. "Mammakarzinom" vs. "Karzinom") wider? Ziel ist die Entwicklung einer evidenzbasierten Anleitung zur LLM-Auswahl für die Klinik, basierend auf verlässlichem internen Verständnis statt nur oberflächlicher Textgenerierung, zur Erhöhung der Patientensicherheit.

Medulloblastom ist der häufigste bösartige Hirntumor im Kindesalter; bei etwa 30% der Kinder hat der Krebs bei Diagnose bereits im Gehirn oder Rückenmark gestreut. Die Überlebensrate liegt Dank einer Kombination aus Operation, Bestrahlung und Chemotherapie bei etwa 60%. Allerdings leiden viele Überlebende und insbesondere sehr junge Kinder unter schweren Nebenwirkungen wie neurokognitiven Einschränkungen. Es wird daher versucht, die Bestrahlung bei Kindern unter vier Jahren zu vermeiden oder zu verschieben. Dies gelingt vor allem bei Tumoren mit speziellen histopathologischen Eigenschaften. Genetische Studien zeigen, dass es verschiedene biologische Subtypen des Medulloblastoms gibt. Besonders günstig ist der Subtyp mit aktivem SHH-Signalweg. Hier könnte eine schonendere Therapie ausreichen, während aggressive Tumoren intensiver behandelt werden sollten. Seit 2016 berücksichtigt die Klassifikation der Weltgesundheitsorganisation sowohl histopathologische als auch molekulare Merkmale zur besseren Einordnung der Tumore. Trotzdem orientiert sich die Therapieintensität in vielen aktuellen Therapieschemata noch immer hauptsächlich an klinischen Kriterien. In diesem Projekt werden zwei molekulare Datentypen, epigenetische und genetische, zusammen mit histopathologischen und klinischen Informationen genutzt, um eine verbesserte Risikoeinschätzung zu entwickeln – mit dem Ziel, die Behandlung junger Kinder risikoangepasst individueller und verträglicher zu gestalten.

In diesem Projekt wird ein innovatives, hybrides Entscheidungsunterstützungssystem für multidisziplinäre Tumorboards in der Onkologie entwickelt und validiert. Ziel ist es, Methoden des maschinellen Lernens (ML), große Sprachmodelle (LLMs) und regelbasierte Systeme erstmals systematisch zu kombinieren, um die Qualität und Effizienz onkologischer Therapieentscheidungen signifikant zu verbessern. Hierbei werden unstrukturierte klinische Freitexte mittels LLM-gestütztem Natural Language Processing (NLP) automatisiert extrahiert und strukturiert. Darauf aufbauend generieren regelbasierte Systeme leitlinienkonforme Empfehlungen, während ML und LLMs vor allem bei komplexen oder nicht eindeutig abbildbaren Fällen zur Anwendung kommen. Das System wird auf Basis eines der größten verfügbaren deutschen Tumorboard-Datensätze (48.744 Protokolle, strukturiert und unstrukturiert) entwickelt und mit realen Patientendaten trainiert und validiert. Das Projekt adressiert einen drängenden klinischen Bedarf: Multidisziplinäre Tumorboards erfordern beträchtliche ärztliche Ressourcen und zeigen erhebliche Qualitätsunterschiede, was zu Verzögerungen und suboptimalen Therapieentscheidungen führen kann. Die geplante Lösung soll Prozesse automatisieren, Ärtinnen und Ärzte entlasten und gleichzeitig die Qualität der Versorgung und den Zugang zu klinischen Studien verbessern. In vier Arbeitspaketen werden 1) Datenstrukturierung, 2) Entwicklung und Benchmarking der Modelle, 3) Integration zum hybriden Prototypen und 4) die prospektive Pilotierung mit klinischem Feedback umgesetzt. Ein interdisziplinäres Team aus Klinik und IT setzt das Vorhaben um; vorhandene HPC-Infrastruktur wird genutzt. Die Ergebnisse werden nach Implementierung und Evaluierung an der Charité auf Partnerstandorte des NCT übertragen und perspektivisch deutschlandweit ausgerollt. So leistet das Projekt einen zentralen Beitrag zur nachhaltigen Digitalisierung und Innovationskraft der Onkologie in Deutschland.

Gliome sind aggressive Hirntumoren, die die Lebenserwartung stark verkürzen. Eine möglichst vollständige chirurgische Entfernung kann das Gesamtüberleben verlängern. Dabei besteht jedoch stets das Risiko, funktionell wichtige Hirnareale zu schädigen. Erschwert wird dies durch die begrenzte Darstellbarkeit der infiltrativen Tumorausbreitung mittels MRT und der PET. Diese Herausforderung wird dadurch weiter erschwert, dass Gliome über weite Distanzen Netzwerke mit anderen Hirnregionen bilden können. Diese tumorassoziierten Netzwerke, sogenannte Hubs, lassen sich mit funktioneller MRT (rsfMRT) identifizieren und sind über Fasertrakte der weißen Substanz mit dem Tumor verbunden. Die in Tumornähe gelegenen Faserverbindungen könnten potenzielle Resektionsziele darstellen, wenn ihre mikrostrukturellen Veränderungen mit reduziertem Überleben in Verbindung stehen. Im Projekt GLIO-MAP wird eine Kombination aus rsfMRT, Diffusion-Tensor-Imaging (DTI)-basierter Traktografie und statistischer Modellierung eingesetzt, um hochriskante peritumorale Fasertrakte zu identifizieren. Ziel ist die Entwicklung eines Bildgebungsmarkers, der neben dem sichtbaren Tumor auch Gewebe mit hohem Rückfallrisiko erfasst und die neurochirurgische Resektionsplanung verbessert. Als zentrales Ergebnis wird ein Tool entwickelt, das DTI- und rsfMRT-Daten integriert und eine patientenspezifische Karte erstellt. Diese visualisiert Fasertrakte, die vermutlich zur Ausbreitung des Tumors beitragen und mit einem erhöhten Rezidivrisiko einhergehen. Sie liefert patientenspezifische Bildgebungsinformationen für die präoperative Planung einer erweiterten Resektion, die das Überleben verlängern kann, ohne funktionsrelevante Areale unnötig zu gefährden. Für diesen individualisierten Ansatz zur Balance zwischen maximaler Tumorentfernung und funktionellem Erhalt gibt es bislang keine etablierte Methodik.

Das Infrarot-Molekulare Fingerprinting (IMF) von Blutplasma gilt als vielversprechende, minimalinvasive Methode zur Tumordetektion. Die diagnostische Aussagekraft kann jedoch durch Begleiterkrankungen beeinträchtigt werden, da diese die spektralen Signale überlagern können. Ziel des Projekts "Cancer site specificity and comorbidity dependence in infrared molecular fingerprinting" (CASCADE-IR) ist es, systematisch zu untersuchen, welche klinischen Bedingungen die Anwendbarkeit von IMF beeinflussen, um die Methode für die in vitro-Diagnostik weiterzuentwickeln. Geplant ist die Analyse eines umfangreichen, bereits bestehenden Datensatzes mit über 5.000 Personen, der IMF-Daten und medizinische Routinedaten kombiniert. Im Fokus steht die Bewertung der Tumorerkennungsleistung bei Personen mit oder ohne häufige Komorbiditäten wie z. B. COPD, chronischer Niereninsuffizienz oder Typ-II-Diabetes. Zudem soll die Eignung von IMF zur Stratifizierung von Tumorsubtypen untersucht werden. Für das Training der Klassifizierungsmodelle werden Open-Source-Tools für maschinelles Lernen (ML) eingesetzt. Der Datensatz umfasst Fälle von Lungen-, Brust- und Prostatakrebs sowie entsprechende Kontrollpersonen. Dadurch kann untersucht werden, ob die erkannten spektralen Muster tumorspezifisch oder phänotypübergreifend einsetzbar sind – eine bislang unbeantwortete, jedoch für die klinische Anwendung zentrale Fragestellung. Die entwickelten ML-Modelle und der Analysecode werden in Form einer Python-Library dokumentiert, um Wiederverwendbarkeit und Erweiterbarkeit zu gewährleisten. So kann die Modellleistung auf neue Daten geprüft und das Verfahren auf andere spektroskopische Techniken sowie auf Datensätze anderer Forschungsgruppen übertragen werden. Das Projekt unterstützt die Ziele des Förderprogramms, indem es vorhandene Daten systematisch nutzt, um eine präzise, minimalinvasive Tumordiagnostik voranzutreiben und robuste Analysepipelines für zukünftige klinische Anwendungen zu entwickeln.

Busulfan ist ein häufig eingesetztes Zytostatikum im Rahmen der Konditionierung vor allogener Stammzelltransplantation (allo-HSCT). Aufgrund seiner engen therapeutischen Breite und starken interindividuellen Schwankungen in der Pharmakokinetik (PK) ist die präzise Dosierung entscheidend. Der therapeutische Bereich wird über die Fläche unter der Konzentrations-Zeit-Kurve (AUC) definiert. Eine Über- oder Unterexposition ist mit schwerwiegenden Risiken wie Toxizität, Graft-versus-Host-Erkrankung oder Rezidiv verbunden. Dennoch erreichen unter Standarddosierung nur ca. 25% der Patientinnen und Patienten den optimalen AUC-Bereich. Therapeutisches Drug Monitoring (TDM) ist etabliert, aber aufwendig und belastend. Das Model-Informed Precision Dosing (MIPD) nutzt populationspharmakokinetische (PopPK) Modelle, um mit wenigen Blutproben individuelle Dosierungen zu berechnen. Es bietet höhere Präzision bei geringerer Belastung und berücksichtigt zeitabhängige PK-Veränderungen. Ziel des Projekts ist die externe Validierung bestehender Busulfan-PopPK-Modelle anhand unabhängiger Patientendaten. Es soll identifiziert werden, welches Modell oder welche Modellkombination die Zielpopulation am besten beschreibt. Zusätzlich wird der Einfluss von Deferasirox – einem Eisenchelator, der die Busulfan-Exposition erhöht – untersucht. Da derzeit kein Modell diese Wechselwirkung adäquat abbildet, wird ein neues PopPK-Modell entwickelt. Das Projekt legt die Grundlage für die Integration validierter Modelle in eine benutzerfreundliche Software zur individualisierten Busulfan-Therapie und trägt so zur Verbesserung der Sicherheit und Wirksamkeit bei.

Dieses Projekt zielt darauf ab, einen Algorithmus der künstlichen Intelligenz (KI) zu entwickeln, der in der Lage ist, den Mutationsstatus des Gens Isocitrat-Dehydrogenase (IDH) in aggressiven primären Hirntumoren (Gliomen) vorherzusagen. Der IDH-Mutationsstatus ist ein wichtiger prognostischer und therapeutischer Marker, da Gliome ohne IDH-Mutation (= Glioblastome) aggressiver sind und von einer radikaleren Tumorresektion profitieren. Derzeit werden diese Informationen durch eine postoperative histopathologische und molekulare Analyse des Tumorgewebes gewonnen, die bis zu einer Woche dauern kann. Dieser Ansatz nutzt zwei routinemäßig verfügbare medizinische Datenquellen: präoperative MRT-Aufnahmen und intraoperativ entnommene und digitalisierte histopathologische Schnellschnitte. Durch das Training des KI-Modells auf makroskopischen und mikroskopischen Merkmalen soll eine schnelle und zuverlässige Vorhersage des IDH-Mutationsstatus bereits intraoperativ ermöglicht werden. Das Team verfügt über eine umfangreiche, kuratierte Datenbank (BraTUM) mit MRT-Bilddaten und klinischen Parametern von 500 Patientinnen und Patienten mit histologisch gesicherten hochgradigen Gliomen sowie über digitalisierte histologische Schnittbilder, die im Rahmen der Tumorresektion gewonnen wurden. Darüber hinaus steht ein validierter, hochentwickelter Segmentierungsalgorithmus zur Verfügung, der präzise und automatisiert die verschiedenen Tumorareale in MRT-Aufnahmen abgrenzen kann. Dies ist eine wesentliche Grundlage für die Bildanalysen und deren Integration mit histologischen Merkmalen mittels KI-Algorithmen. Eine Schlüsselinnovation dieses Projekts ist das Potenzial, während der Operation diagnostische Ergebnisse nahezu in Echtzeit zu liefern. Dies wäre ein bedeutender Schritt in Richtung personalisierter Neurochirurgie, bei der intraoperative Entscheidungen - wie das Ausmaß der Tumorresektion - von molekularen Tumormerkmalen geleitet werden könnten.

Im Rahmen des Projekts soll untersucht werden, ob die Expression eines bestimmten Gens in Magentumoren allein anhand von Gewebeschnitten nach einer Routinefärbung und mit Hilfe fortgeschrittener Deep-Learning-Techniken bestimmt werden kann. Dies könnte die derzeitigen Methoden, die kosten- und zeitaufwändig sind, optimieren und möglicherweise ersetzen. Zu diesem Zweck werden ein umfangreicher Datensatz aus einer bereits abgeschlossenen multizentrischen Studie und komplexe neuronale Netze verwendet. Die Ergebnisse könnten zu einer schnelleren und kostengünstigeren Diagnostik und Personalisierung der Behandlung von Patientinnen und Patienten mit Magenkrebs führen. Die Modelle und Ergebnisse werden öffentlich zugänglich gemacht, um weitere Forschung und eine mögliche Integration in die klinische Krebsbehandlung zu unterstützen.

Oxidativer Stress ist ein Begriff, der eine Überladung von Zellen und Geweben mit sogenannten freien Radikalen, reaktiven Sauerstoff- und Stickstoffspezies beschreibt. Interessanterweise wird oxidativer Stress häufig mit dem Ergebnis und der Wirksamkeit von Krebstherapien in Verbindung gebracht. Tumorzellen haben ihre Zellatmung und ihren Stoffwechsel dereguliert, was zu dauerhaft erhöhtem oxidativem Stress führt, der mit einer erhöhten Resistenz gegen Chemotherapie, zielgerichtete Therapien und Immuntherapien in Verbindung gebracht wird. Gleichzeitig ist bekannt, dass die Induktion von oxidativem Stress in Tumorzellen eine Wirkungsweise einiger Krebsmedikamente ist. Um Expressionsmuster zu identifizieren, die mit oxidativer Stressempfindlichkeit und -resistenz bei Krebs zusammenhängen, wirde eine bioinformatische Analyse eines vorhandenen Datensatzes aus in vitro-Experimenten durchgeführt und zur Bestätigung mit vorhandenen onkologischen Expressionsdatenbanken aus Patientenmaterial verglichen. Dies geschieht auf der Grundlage intern generierter transkriptomischer und proteomischer Datensätze von über 30 Tumorzelllinien unterschiedlicher Herkunft, die mit Wasserstoffperoxid behandelt wurden, um oxidativen Stress auszulösen und die zytotoxische Wirkung zu bewerten. Durch die Korrelation mit der Genexpression und Proteinexpression werden die resultierenden Signaturen vielversprechende Kandidaten mit potenziellem prädiktiven Wert aufdecken, die in öffentlich verfügbaren Gen-Tumorproben-Datensätzen kreuzvalidiert werden können, um mit oxidativem Stress verbundene Muster aufzudecken. Durch die Einbeziehung von öffentlich verfügbaren Datensätzen von Therapieversagern wird dieses Projekt dazu beitragen, die Rolle von oxidativem Stress bei der Therapieresistenz besser zu verstehen und kann die Entwicklung von Krebsmedikamenten unterstützen, die entweder darauf abzielen, oxidativen Stress in Tumorzellen zu vermeiden oder zu erhöhen.

Die räumliche Organisation von Zellen in Geweben ist entscheidend für die Gewebefunktion und Pathologie. So beeinflusst die Zellverteilung um Tumore die Immunantwort, während die Verteilung von Tumor-Subklonen Einblicke in Tumorevolution und -invasion gibt. Die räumliche Transkriptomik (ST) bietet durch die Erstellung von Genexpressionsprofilen im räumlichen Kontext wertvolle Informationen zur Charakterisierung klinischer Gewebeproben. Obwohl transkriptomische Daten wesentliche Erkenntnisse für Diagnose, Prognose und Behandlung liefern, basiert Krebs auf genomischen Veränderungen, die bösartige Phänotypen verursachen. Organisationen wie die AMP, ASCO und CAP haben daher Richtlinien zur Identifizierung klinisch relevanter genomischer Mutationen, einschließlich Kopienzahlveränderungen (CNAs), entwickelt. Derzeit fehlen jedoch kommerzielle Plattformen für räumlich aufgelöste DNA-Profilierung. Da Genom und Transkriptom eng miteinander verbunden sind, wurde in den letzten Jahren intensiv an der Ableitung genomischer Signaturen aus dem Transkriptom gearbeitet. Dies führte zur Entwicklung computergestützter Methoden zur Identifizierung somatischer CNAs aus ST-Daten, wodurch die Erforschung der räumlichen klonalen Heterogenität von Tumoren ermöglicht wurde. Das Ziel dieses Projektes ist es einen explorativen und analytischen Rahmen aus publizierten Methoden für die Ableitung von CNAs aus ST- Krebsdaten zu kreieren. Hierzu werden öffentlich zugängliche Datensätze verwendet und in einer Benchmarking-Studie ein robustes Framework zur Datenanalyse bereitgestellt. Dieses Framework wird verschiedene ST-Technologien und Datensätze unterstützen und sowohl sofortige Anwendbarkeit als auch zukünftige Erweiterbarkeit sicherstellen. Ein zentrales Element ist die Verwendung sorgfältig kuratierter Datensätze mit klar definierten Referenzwerten auf Transkriptom- und Genomebene.

Das Projekt zielt darauf ab, Large Language Models (LLMs) wie GPT-4 und Llama durch spezifisches Fine-Tuning mit aktuellen medizinischen Leitlinien und historischen Tumorboard-Fällen als Unterstützungstools für interdisziplinäre Tumorboards zu optimieren. Dabei wird die Leistungsfähigkeit von LLMs bei der Generierung von Behandlungsempfehlungen auf Basis anonymisierter klinischer Daten initial sowie nach Optimierung durch Retrieval-Augmented Generation und Fine-tuning bewertet. Diese Empfehlungen werden mit den tatsächlich im Tumorboard getroffenen Entscheidungen verglichen, um die Genauigkeit und Relevanz der Modelle ohne zusätzliche Anpassungen zu beurteilen.

Dieses Projekt untersucht seltene niedrig-maligne Subtypen von triple-negativem Brustkrebs (TNBC), um deren biologische und klinische Eigenschaften sowie die erforderlichen therapeutischen Maßnahmen besser zu verstehen. TNBC ist eine besonders aggressive Form von Brustkrebs, die keine Rezeptoren für Östrogen, Progesteron und HER2 aufweist. Dies schränkt die Therapieoptionen stark ein und lässt oft nur die Chemotherapie als Behandlungsmöglichkeit zu. Einige seltene Subtypen von TNBC könnten jedoch weniger aggressiv sein und eine günstigere Prognose bieten. Das Ziel des Projekts ist es, diese seltenen TNBC-Fälle zu identifizieren und zu beurteilen, ob eine intensive Chemotherapie für diese weniger aggressiven Formen tatsächlich notwendig ist. Durch die Analyse klinischer und pathologischer Merkmale, der Überlebensdaten und der Behandlungsergebnisse soll ermittelt werden, welche Patientengruppen möglicherweise auf eine Chemotherapie verzichten können, ohne ihre Prognose zu verschlechtern. Das Projekt nutzt die Clinical Communication Platform des Deutschen Konsortiums für Krebsforschung, um umfassende Daten aus verschiedenen medizinischen Zentren zu erhalten. Darüber hinaus werden öffentlich verfügbare Genexpressionsdaten herangezogen, um die biologischen Eigenschaften der Subtypen zu untersuchen und Hinweise auf potenzielle neue diagnostische oder therapeutische Zielstrukturen zu gewinnen. Mit den Ergebnissen des Projekts erhofft man sich ein besseres Verständnis darüber, welche Patientinnen und Patienten mit weniger aggressivem TNBC auf eine Chemotherapie verzichten können, ohne ihre Prognose negativ zu beeinflussen. Dies soll Ärzten dabei helfen, fundiertere Entscheidungen zu treffen, unnötige Behandlungen zu vermeiden und die personalisierte Versorgung zu verbessern.

Das Verständnis onkologischer Erkrankungen und die Vielfalt möglicher Behandlungsoptionen haben in den letzten Jahren zugenommen. Die Komplexität der Faktoren für Therapieentscheidungen erfordert eine interdisziplinäre Beratung und Empfehlung von Behandlungsstrategien. Tumorboards sind organisatorisch hoch strukturiert und zeitlich eng begrenzt. Es ist essenziell, dass alle notwendigen Informationen übersichtlich und vollständig vor und während des Tumorboards zur Verfügung stehen. Die Menge an Informationen pro Patient ist enorm und kann ohne geeignete Darstellung und Priorisierung oft nicht vollständig gesichtet werden. Das UCT Mainz betreibt die Datenbank DACAPO zur strukturierten Datenerfassung. Diese enthält relevante Daten zum Patienten (Tumorerkrankung, Krankheitsverlauf, molekulardiagnostische Daten etc.). Weiterer Partner ist das Krebsregister Rheinland-Pfalz, das onkologische Patientenakten (oPA) erstellt. Die oPA besteht aus Basisinformationen zur Tumorerkrankung, Diagnose, Pathologiebefunden, Behandlungen und dem gesamten Verlauf bis zum Tod. Die Qualität und Plausibilität jeder Information wird überprüft und die besten Informationen werden zeitlich geordnet dargestellt. Die Softwarelösung VisioPA wird zur Visualisierung dieser oPA-Datenstruktur verwendet. Ziel ist es, VisioPA weiterzuentwickeln, um Daten aus verschiedenen Quellen zusammenzuführen und im molekularen Tumorboard zu nutzen. Die Daten werden als chronologisch und semantisch korrekt visualisierte Krankengeschichte dargestellt. Es wird möglich, einzelne Ereignisse genauer zu betrachten, wenn sie relevant sind. Die Visualisierung der Daten ist sowohl in der Software als auch für Berichte oder Arztbriefe möglich. Visualisierungen komplexer medizinischer Informationen bieten Vorteile in der Vorbereitung, Durchführung u. Nachbereitung von Tumorboards. Die zusammengeführten Daten bieten eine Grundlage für wissenschaftliche Forschungsideen, wie die Analyse von Behandlungspfaden und Leitlinienadhärenz.

Im Zuge der Ausschreibung zur Erprobung innovativer Machbarkeits- und Anwendungsszenarien in der Onkologie soll ein ingenieursmäßiger Ansatz in der Tumorfrüherkennung mithilfe von Ultraschalldaten erforscht werden. Das menschliche Tumorgewebe wird hierbei durch eine mathematische Beschreibung des mechanischen Verhaltens als "Material" modelliert, um relevante Kennwerte von Ultraschallmessungen für die Simulation von Steifigkeitsänderungen zu extrahieren. Dabei wird das Ziel verfolgt, mithilfe von Scherwellenelastographie die Zusammenhänge zwischen "Materialeigenschaften" und Zustand des Gewebes wissenschaftlich fundiert zu korrelieren. In einem größer angelegten, mehrstufigen Forschungsansatz ist dies der erste grundlegende Schritt, um in einem jungen Forschungsteam im Bereich der Ingenieurswissenschaften mit einer Nachwuchsprofessur und einem interdisziplinärem Forschungsumfeld gemeinsam mit Medizinern einer Universität eine Brücke zwischen den beiden Disziplinen zu schlagen. Basierend auf diesem ersten Ansatz der Definition der "Materialparameter" von menschlichen Tumorgeweben, sollen gemeinsam perspektivisch weitere Teilbereiche erforscht werden, um Mithilfe von Simulationen aus CT/MRT-Daten und Deep-Learning-Algorithmen neue Datensätze zum Antrainieren eines KI-basierten Tools zur Tumorfrüherkennung in der Ultraschalluntersuchung zu entwickeln.

Das STARDUST-Projekt hat das Ziel, das Segment Anything Model 2 (SAM-2) für die Tumorsegmentierung in der Strahlentherapie zu testen und weiterzuentwickeln. SAM-2 ist ein Open-Source-KI-Modell, das von Meta Platforms, Inc. entwickelt und im Juli 2024 veröffentlicht wurde. Es wurde ursprünglich für allgemeine Bildsegmentierungsaufgaben entwickelt und muss erst an die spezifischen Anforderungen von 3D-medizinischen Bilddaten (wie CT- und MRT-Aufnahmen) angepasst werden. Das Projekt nutzt eine umfangreiche Strahlentherapie-Datenbank mit 3D-Bilddaten aus 12.000 Behandlungskursen über einen Zeitraum von zehn Jahren. Ziel ist es, SAM-2 auf die präzise Segmentierung von soliden Tumoren (z. B. im zentralen Nervensystem, Kopf-Hals-Bereich und gastrointestinalen Trakt) sowie Metastasen (z. B. in Gehirn, Lunge und Leber) zu optimieren. Das Projekt beinhaltet die Entwicklung und Implementierung von Anpassungsstrategien, um SAM-2 für spezifische Tumortypen und klinische Szenarien erfolgreich zu adaptieren. Die Leistung des Modells wird im Vergleich zu manuellen Segmentierungsmethoden hinsichtlich Effizienz und Genauigkeit bewertet. Zusätzlich wird ein Proof-of-Concept-Tool entwickelt, das SAM-2 in bestehende Strahlentherapie-Planungssysteme integriert, um die Ergebnisse direkt in die klinische Praxis überführen zu können. Dieses Projekt zielt darauf ab, die Genauigkeit der Tumorsegmentierung zu verbessern, die Effizienz der Strahlentherapieplanung zu steigern und letztendlich präzisere und personalisierte Behandlungsstrategien für Krebspatientinnen und Krebspatienten zu ermöglichen.

Dieses Projekt zielt darauf ab, vorhandene Daten aus Medikamententests an Pankreaskrebs-Zelllinien zu analysieren, um personalisierte Behandlungsstrategien für Patientinnen und Patienten zu identifizieren. Mithilfe fortschrittlicher bioinformatischer Werkzeuge, insbesondere des zuvor entwickelten Molekulare Tumorboards (MTB)-Reporting-Frameworks, sollen die aktuellen Fähigkeiten erweitert werden, um die Daten zur Medikamentenwirkung basierend auf umfangreichen Medikamententests zu analysieren und diese Erkenntnisse in die Berichte des MTB zu integrieren. Ziel ist es, Subtypen mit spezifischen Behandlungsmöglichkeiten zu definieren und das Framework zur Interpretation von Biomarkern weiter auszubauen, was Wissenschaftlern und Ärzten hilft, die Auswirkungen genetischer Variationen auf Krebs zu verstehen und die effektivsten Behandlungsoptionen für einzelne Patientinnen und Patienten zu identifizieren. Dieses Tool hat eine modulare Architektur, um offen für weitere Erweiterungen durch neue Methoden oder Biomarker zu sein. Pankreaskrebs ist schwer zu behandeln, daher sind präzise Vorhersagen zur Wirksamkeit von Medikamenten entscheidend. Das bestehende MTB-Reporting-Framework wird erweitert, um Daten aus Medikamententests zu analysieren, was das Testen der Reaktion von Krebszellen auf eine Vielzahl von Medikamenten umfasst.

Magen- und Speiseröhrenkrebs sind weltweit ein ernstes Gesundheitsproblem und verursachen jährlich über eine Million Todesfälle. Diese Studie konzentriert sich speziell auf lokal fortgeschrittene Tumore. Patientinnen und Patienten mit dieser Krebserkrankung werden normalerweise entweder mit einer kombinierten Strahlen- und Chemotherapie vor oder mit Chemotherapie vor und nach der Operation behandelt. Fettleibigkeit, insbesondere Bauchfett (viszerales Fett), spielt eine wichtige Rolle bei der Entstehung dieser Krebsarten und kann Hinweise darauf geben, wie gut Patientinnen und Patienten die Behandlung überstehen. Frühere Studien haben gezeigt, dass ein hohes Maß an viszeralem Fett sowohl mit mehr Operationskomplikationen aber gleichzeitig mit einem besseren langfristigen Überleben verbunden ist. Das ist bemerkenswert, da Patienten mit postoperativen Komplikationen normalerweise eine geringere Lebenserwartung aufweisen. Dieses Projekt zielt darauf ab, besser zu verstehen, wie viszerales Fett das Risiko für Komplikationen nach der Operation und das Überleben der Patientinnen und Patienten beeinflusst. Es wird vermutet, dass sowohl sehr niedrige als auch sehr hohe Mengen an viszeralem Fett zu schlechteren Ergebnissen führen können. Mithilfe eines KI-basierten Algorithmus sollen Computertomografien von über 700 Patienten analysiert werden, um den Bereich des viszeralen Fetts zu bestimmen. Anstatt die Patienten wie bislang üblich in zwei Gruppen einzuteilen, werden fortgeschrittene statistische Methoden genutzt, um die Rolle des viszeralen Fetts besser zu verstehen. Außerdem wird untersucht, ob es einen Zusammenhang zwischen dem Fett und dem Ansprechen auf die Chemotherapie gibt. Da Männer und Frauen Fett unterschiedlich speichern, wird das Geschlecht in den Analysen besonders beachtet. Letztendlich könnte diese Forschung dazu beitragen, die Behandlung von Magen- und Speiseröhrenkrebs zu verbessern, indem sie eine bessere Risikoeinschätzung bereits vor Therapiebeginn ermöglicht.

Das Projekt MaPION (Mapping Protein Interactions in Oncologic Networks) soll die Krebsforschung entscheidend voranbringen. In der Krebsforschung gibt es bereits viele Daten über Gene und Proteine, aber oft ist unklar, wie diese Moleküle auf zellulärer Ebene tatsächlich interagieren und Krebs verursachen oder vorantreiben. Genau hier setzt MaPION an. MaPION ist eine innovative Plattform, die mit Hilfe moderner künstlicher Intelligenz (KI) vorhersagt, wie Proteine in Krebszellen miteinander interagieren. Dabei geht es nicht nur um einzelne Proteine, sondern um ganze Netzwerke, die für das Wachstum und die Ausbreitung von Krebs entscheidend sind. MaPION kombiniert dazu verschiedene Datentypen wie Informationen über Proteine (Proteomics), Gene (Transkriptomics) und spezifische genetische Veränderungen (Mutationen), die bei Krebs häufig auftreten. In den ersten zwei Jahren wird MaPION entwickelt und getestet. Der Schwerpunkt liegt auf häufigen Krebsarten wie Lungen-, Brust- und Speiseröhrenkrebs. Die Plattform soll helfen, wichtige Netzwerke in Zellen zu identifizieren, die möglicherweise neue Ansätze für die Krebstherapie bieten. Mittelfristig soll MaPION nicht nur in der Forschung eingesetzt werden, sondern auch bei der Entwicklung neuer Medikamente eine Rolle spielen. In Zusammenarbeit mit Pharmaunternehmen könnte MaPION dazu beitragen, gezieltere und wirksamere Therapien zu entwickeln. Langfristig könnte MaPION zu einem Standardwerkzeug in der medizinischen Forschung werden, das nicht nur in der Onkologie, sondern auch in anderen Bereichen der Medizin eingesetzt wird. So könnte die Plattform helfen, Therapien weiter zu personalisieren und die Behandlung von Krebspatienten nachhaltig zu verbessern.

Bei der perkutanen Kryotherapie werden bösartige Neoplasien mittels extremer Kälte lokal zerstört. Ziel des Vorhabens ist die Prüfung der Machbarkeit zur Darstellung einer Temperaturkarte (Thermometrie) zur Steuerung und Optimierung des Computertomographisch(CT)-geführten Ablationsverfahrens im Nierengewebe. Vorliegende Bild- und Temperaturdaten zu Ablationen in ex vivo-Schweinenieren sollen zur Evaluierung von möglichen Kalibrierungsmodellen der CT-Thermometrie dienen. In der Literatur sind kaum Studien zur Temperaturberechnung bei Kälte vorhanden, so dass mit diesem Forschungsvorhaben grundlegende Erkenntnisse erzielt werden. Besonders die Gewebezerstörung im Randbereich des entstehenden Eisballs ist für den behandelten Arzt zur vollständigen Zerstörung des Karzinoms bei gleichzeitiger Schonung des gesunden Gewebes von erheblicher Bedeutung. Bislang muss sich der Arzt auf die Bildgebung verlassen, die das eingefrorene Gewebe abbildet, jedoch keine direkte Aussage zur vorliegenden Temperatur (unter 0°C hinaus) visualisiert. Ohne eine quantitative CT-Thermometrie stellt die Erfahrung des behandelten Arztes eine entscheidende Einflussgröße für den Therapieerfolg dar. Basierend auf den Ergebnissen zur Machbarkeit könnte eine Echtzeit-Thermometrie entwickelt werden, die den CT-Aufnahmen überlagert wird und so dem behandelnden Arzt ein wichtiges Werkzeug zur Beurteilung der Zerstörung von resistenterem Tumorgewebe und zur Steuerung des Therapieverlaufs liefert.

Das übergeordnete Ziel des Projektes ist die Etablierung eines auf großen Sprachmodellen basierenden Ansatzes zur automatisierten Extraktion und Eingabe von Daten der klinischen Routineversorgung in wissenschaftliche Datenbanken, insbesondere in entitätsbezogene Register und Biomaterialbanken. Dadurch sollen der personelle Aufwand reduziert, die Datendichte, -qualität und -validität in den Registern signifikant erhöht und die Schwelle zur Teilnahme reduziert werden. Dies ist unter anderem von großer Relevanz für die klinische Forschung bei seltenen und heterogenen Tumorerkrankungen mit eingeschränkter Durchführbarkeit von prospektiven klinischen Studien. Die lokale Verortung des Modells ermöglicht eine datenschutzkonforme Nutzung im klinischen Kontext. Im Rahmen des Projekts sollen aus bereits pseudonymisierten Histologie- und Radiologiebefunden definierte Variablen extrahiert und in das Datenformat einer klinischen Registerdatenbank überführt werden. Der Prozess erfolgt durch den Einsatz eines großen Sprachmodells, das in einer geschlossenen Umgebung geladen und darauf programmiert wird, spezifische Merkmale zu identifizieren und strukturiert in die Datenbank zu integrieren. Die Ergebnisse des Modells werden durch Vergleich mit bereits medizinisch validierten, manuell erfassten Daten überprüft und durch iterative Optimierung weiter verbessert.

Neben anderen molekularen Analysen stellt die Charakterisierung von globalen DNA-Methylierungsprofilen eine wesentliche Grundlage der modernen Diagnostik von Hirntumoren dar und ergänzt in Deutschland die traditionelle Betrachtung histologischer Schnittpräparate in der Neuropathologie. Die hohen Kosten (einige hundert bis tausend US-Dollar pro Patienten) behindern allerdings die weltweite Adoption dieses Analyseverfahrens. Zudem stellt auch in Deutschland die Dauer des Verfahrens (ca. 1 Woche bis zum Vorliegen des Ergebnisses an großen Universitätskliniken), sowie die regelmäßige Inkonsistenz gegenüber der histologischen Befundung eine Herausforderung im diagnostischen Alltag dar. Es ist daher von eminenter Bedeutung für die Neuropathologie, interpretierbare Surrogat-Modelle zu entwickeln, die die Ergebnisse der DNA-Methylierungsanalysen aus schnell und kostengünstig verfügbaren histologischen Schnittpräparaten vorhersagen. Dies ermöglicht eine vereinheitlichte Betrachtung histologischer und molekularer Befundung zur prospektiven Verbesserung der Geschwindigkeit, sowie der Konsistenz der integrierten Diagnostik. Diesbezüglich stellen Ependymome, heterogene primäre Hirntumore, eine besonders relevante Tumorentität dar, für die derartige Inkonsistenzen bei der Befundung bekannt sind, und für einen Teil derer in vorangegangenen Arbeiten des COMET Konsortiums die erfolgreiche Entwicklung eines solchen Surrogat-Modells erfolgreich gezeigt werden konnte (spinale Ependymome). Ziel ist es, die hier entwickelten Anwendungen (Tools) in interdisziplinärer Zusammenarbeit von Informatikern und Fachärzten aus Neuropathologie und Neurochirurgie auf andere Ependymom-Typen (insbesondere nicht-spinal) zu erweitern und die Anwendbarkeit der Methodik in der diagnostischen Versorgungspraxis zu eruieren. Zudem entwickelt COMET Verfahren und Abläufe, um derartige computergestützte diagnostische Methoden im klinischen Alltag abzubilden und zukünftig in Studien zu validieren.

Lungenkrebs ist die weltweit häufigste krebsbedingte Todesursache und hat eine enorme sozioökonomische Bedeutung. Die klinische TNM-Klassifikation zur Bewertung des Krebsstadiums ist ein etablierter Standard in der Diagnostik von Lungenkarzinomen und erfolgt üblicherweise anhand [18F]FDG-Positronen-Emissions-Tomographie und Computertomographie ([18F]FDG PET/CT). Die manuelle Bildbefundung für die Stadieneinteilung erfordert jedoch viel Fachwissen und ist zeitintensiv. Ziel dieses Proof-of-Concept-Projekts ist es, eine Pipeline zur automatisierten TNM-Klassifikation bei nicht-kleinzelligem Lungenkarzinom (NSCLC) auf Basis von maschinellen Lernmodellen zu entwickeln und zu evaluieren. Dazu werden zwei öffentlich verfügbare maschinelle Lernmodelle genutzt, um Tumorläsionen auf PET/CT-Bildern zu segmentieren und anatomisch zu lokalisieren. Diese Modellvorhersagen werden anschließend zur automatisierten Bestimmung des Tumorstadiums auf Grundlage der TNM-Kriterien verwendet. Der Ansatz wird an einem bestehenden, annotierten Datensatz von 402 NSCLC-Patienten getestet. Die Forschung wird das Potenzial und die Herausforderungen dieser innovativen Methode für alle TNM-Unterkategorien untersuchen. Langfristig soll das Projekt die Basis für klinische Studien schaffen, in denen untersucht wird, wie eine solche automatisierte TNM-Klassifikation in die klinische Praxis integriert werden kann, um die Genauigkeit der Stadieneinteilung zu verbessern und radiologische Arbeitsabläufe zu optimieren.

Brustkrebs ist weltweit eine der häufigsten Todesursachen bei Frauen. Eine frühzeitige und genaue Diagnose ist daher für die Verbesserung der Behandlungsergebnisse von entscheidender Bedeutung. CLIMB zielt darauf ab, das Potenzial einer fortschrittlichen Technologie der künstlichen Intelligenz, Contrastive Language-Image Pretraining (CLIP), für die automatische Diagnose von Brustkrebs unter Verwendung von Magnetresonanztomographie (MRT)-Daten zu untersuchen, ohne dass eine manuelle Kommentierung oder Überwachung erforderlich ist. Es ist weithin anerkannt, dass KI die diagnostische Bildgebung verändern kann, wobei davon ausgegangen wird, dass KI-basierte Techniken die Scanzeiten beschleunigen, die diagnostische Präzision verbessern und die Arbeitsbelastung der Radiologen verringern können. Trotz der Belege für die diagnostischen Vorteile von KI-Modellen befindet sich ihre Integration in die klinische Praxis noch in der Anfangsphase und stößt auf zahlreiche Hürden und Hindernisse. Eine der größten Hürden ist der Bedarf an Daten, die von menschlichen Experten manuell annotiert werden. Das Hauptziel dieses Projekts besteht darin, die Machbarkeit der Anpassung von CLIP zur Erkennung von Brustkrebs in MRT-Scans durch den Abgleich von Textdaten aus medizinischen Berichten mit visuellen Informationen aus den Bildern zu bewerten.

Der verhältnismäßige Anteil von Tumorzellen zum umgebenden Bindegewebe hat sich in mehreren Entitäten als Biomarker mit prognostischer Wertigkeit erwiesen. Während in der diagnostischen Routine das Tumor-Stroma-Verhältnis von Pathologen semiquantitativ abgeschätzt wird, wurden kürzlich vor allem für das kolorektale Karzinom Algorithmen entwickelt, die eine automatisierte Bestimmung dieses Biomarkers erlauben. Ziel des Vorhabens ist es, anhand eines vorbestehenden, klinisch gut charakterisierten Datensatzes von 150 Patientinnen einen Algorithmus für das Ovarialkarzinom zu entwickeln und anhand der zugehörigen klinischen Daten zu validieren. Dabei kommen Methoden des few-shot-learning zum Einsatz, die anhand von wenigen Expertenannotationen eine Anpassung des vorbestehenden Algorithmus ermöglichen ohne eine Neutrainierung zu erfordern. Der resultierende Algorithmus wird von erfahrenen Pathologinnen und Pathologen evaluiert. Ferner erfolgt die Integration in eine vorbestehende digitale Bildanalysesoftware, um eine einfache Anwendung auf weitere Fälle zu ermöglichen.

Das CROSSROADS-Projekt hat das Ziel, die Qualität der Krebsversorgung durch die Entwicklung eines innovativen, digitalen und automatisierten Identifikations- und Weiterleitungssystems deutlich zu verbessern. Dieses System soll sicherstellen, dass alle Krebspatientinnen und Krebspatienten Zugang zu den aktuellsten Therapieempfehlungen und geeigneten klinischen Studien erhalten. Im Zentrum des Projekts steht die Optimierung der Fallvorstellungen in den multidisziplinären Tumorboards (MTB) der Charité Universitätsmedizin Berlin. Aufgrund der häufig organ- oder fachspezifischen Organisation der Tumorboards kann es dazu kommen, dass bei Patientinnen und Patienten mit komplexen Krankheitsverläufen, Metastasen oder Zweitmalignomen wichtige Fachrichtungen nicht vertreten sind. Dies führt dazu, dass die vorhandene Expertise nicht optimal genutzt wird, und wichtige Behandlungsmöglichkeiten oder klinische Studien übersehen werden. Um sich der Lösung dieser Herausforderung zu nähern, konzentriert sich CROSSROADS zunächst auf die Identifikation von Patientinnen und Patienten mit Nieren- und Prostatakrebs, die in nicht-urologischen Tumorboards besprochen wurden. Mithilfe von Natural Language Processing (NLP) werden Tumorboard-Beschlüsse analysiert, um relevante Patienten zu identifizieren und eine automatische Weiterleitung an die urologische Abteilung zu ermöglichen. Dieses Tool dient künftig der Etablierung eines automatisierten Systems zur Studienvermittlung am Krebszentrum. Das Projekt, welches ursprünglich als interne Maßnahme zur Optimierung der Arbeitsabläufe innerhalb des klinischen Alltags geplant war, hat das Potenzial, die Infrastruktur für multidisziplinäre Tumorboards deutschlandweit zu transformieren. Durch die Automatisierung und Verbesserung der Prozesse könnte eine präzisere und effektivere Krebsbehandlung gewährleistet werden, bei der kein Patient mehr übersehen wird. Damit leistet CROSSROADS einen wesentlichen Beitrag zur Nationalen Dekade gegen Krebs.

Ziel dieses Projekts ist durch die Analyse vorhandener Studiendatensätze eine Optimierung der präzisionsonkologischen Betreuung von Patientinnen und Patienten mit fortgeschrittenen Tumorerkrankungen durch Einbindung eines neuen Studienempfehlungsalgorithmus zu erzielen. Dabei soll insbesondere sowohl die Empfehlung als auch die Umsetzung präzisionsonkologischer Studienangebote addressiert werden. Im multidisziplinären Tumorboard (MTB) werden spezifische Tumortreiber für eine gezielte therapeutische Intervention identifiziert. Zentrales Element ist die Empfehlung von Studienoptionen, die schwer kranken, vortherapierten Patientinnen und Patienten Zugang zu innovativen Medikamenten ermöglicht. Auswertungen der MTB-Kohorte (2018-2022) zeigen eine Studienempfehlungsquote < 20 % und eine Studieneinschlussquote von < 1 %, was den Optimierungsbedarf verdeutlicht. Am Klinikum rechts der Isar wurden Maßnahmen zur Verbesserung der Studienempfehlungs- und Einschlussquote umgesetzt, darunter ein obligater Studiencheck und eine BZKF Arztstelle zur MTB und Studienzentrum Verknüpfung. Das Projekt zielt auf die Entwicklung eines Studien-Empfehlungsalgorithmus (SMARTer) ab, der im klinischen Alltag angewendet wird. Dafür sollen insbesondere bestehende Studien- und Patienten-Datensätze (u. a. Studiendatenbank der CCCM-TUM, MTB, OKD) auf prädiktive Einflussgrößen untersucht werden. Im Fokus stehen patientenzentrierte Faktoren (u. . Alter, Grunderkrankung, Vortherapien, Behandelnde, Wohnortentfernung zur Klinik). Zusätzlich werden zentrumszentrierte Faktoren wie die Effektivität der bestehenden Maßnahmen analysiert und weitere Optimierungspotenziale geprüft. Die Ergebnisse dieser Analysen fließen in den Empfehlungsalgorithmus SMARTer ein, der Schwachstellen in der Patientenversorgung identifiziert und verbessert. Dieser Algorithmus wird anschließend in der klinischen Praxis angewendet und allen interessierten onkologischen Behandlern zur Verfügung gestellt werden.

Das Ziel des geplanten Vorhabens besteht darin, ein innovatives, medizinisches Gerät weiterzuentwickeln, das fortschrittliche Bildgebungs- und Therapietechniken zur Diagnose und Behandlung von Basalzellkarzinomen, der häufigsten Form von Hautkrebs, kombiniert. Dieses Gerät integriert die optische Kohärenztomographie, eine nicht-invasive Bildgebungstechnologie, mit einem langgepulsten Infrarot-Laser zur Therapie. Ein einzigartiger Aspekt des Projekts ist der Einsatz künstlicher Intelligenz, um sowohl den Diagnose- als auch den Behandlungsprozess zu optimieren. Die Forschung konzentriert sich darauf, herauszufinden, welche Bildmerkmale in der optischen Kohärenztomographie zur genauen Diagnose von Basalzellkarzinomen herangezogen werden können, einschließlich der Beurteilung von Tumordicke, Größe und Subtyp. Die künstliche Intelligenz wird nicht nur diese Merkmale identifizieren, sondern auch die Lasertherapie steuern, indem Parameter, wie Energiedichte, Pulsdauer und Wiederholungsrate angepasst werden. Mit dem System ist es zudem möglich, die Wirksamkeit der Behandlung in Echtzeit zu überwachen, um optimale Ergebnisse für die Patientinnen und Patienten sicherzustellen. Das erwartete Ergebnis ist ein automatisiertes System, das in klinischen Umgebungen zur frühzeitigen Erkennung und personalisierten minimalinvasiven Behandlung von Basalzellkarzinomen eingesetzt werden kann. Dies würde die Effizienz im Gesundheitswesen verbessern, indem schnellere und genauere Diagnosen und Behandlungen ermöglicht und invasivere Verfahren reduziert werden. Das ultimative Ziel ist die Integration dieser Technologie in die routinemäßige klinische Praxis, was einen bedeutenden Fortschritt im Management von Hautkrebs darstellen würde.

Das Projekt zielt darauf ab, die Modulation der SUMOylierung, eines posttranslationalen Modifikationsprozesses, als potenziellen therapeutischen Ansatz in der Onkologie zu untersuchen. SUMOylierung beeinflusst die Funktion, Stabilität und Interaktionen von Proteinen und spielt eine wesentliche Rolle bei der Regulation von Zellprozessen, die für die Tumorentwicklung und -progression entscheidend sind. Bisherige Forschungen haben gezeigt, dass die SUMOylierung eine zentrale Rolle in der Tumorsuppression sowie in der Reaktion von Krebszellen auf Stressfaktoren spielt, wodurch sie zu einem vielversprechenden therapeutischen Ziel wird. Das Projekt nutzt ein bereits vorhandenes, umfassendes High-throughput-Datenset, das ursprünglich für neuroregenerative Studien erstellt wurde, um Moleküle zu identifizieren, die die SUMOylierung in Krebszellen modulieren können. Ziel ist es, diese Moleküle durch in vitro-Experimente auf ihre Wirksamkeit hin zu testen und die zugrunde liegenden molekularen Mechanismen zu erforschen, insbesondere die Stabilisierung von Tumorsuppressor-Proteinen. Das Projekt wird vollständig an der Universitätsmedizin Rostock durchgeführt, die über erstklassige Core Facilities für Molekularbiologie, Zellkultur und Proteomik verfügt. Diese Infrastruktur ermöglicht eine umfassende und präzise Durchführung der geplanten Experimente. Die wissenschaftliche Beratung erfolgt in Zusammenarbeit mit dem Department of Neurosurgery am Brigham and Women’s Hospital der Harvard University, wobei alle experimentellen Arbeiten in Rostock realisiert werden. Durch die Erforschung der SUMOylierung als therapeutisches Ziel in der Onkologie könnten neue Behandlungsstrategien entwickelt werden, die insbesondere bei aggressiven und therapieresistenten Tumoren Anwendung finden. Das Projekt trägt somit dazu bei, innovative Ansätze in der Krebsbehandlung zu entwickeln und die therapeutischen Möglichkeiten für Krebspatientinnen und -patienten zu erweitern.

Mit dem diesem Vorhaben sollen die mechanischen Eigenschaften verschiedener Hirngewebetypen (weiße Substanz, graue Substanz, Tumor, Ödem etc.) quantifiziert werden, um Chirurginnen und Chirurgen zukünftig bei der Identifizierung unterschiedlicher Gewebetypen während der Operation zu unterstützen. Die Grundlage für die mechanische Charakterisierung der verschiedenen Gewebetypen bilden zwei Datensätze, die in früheren Projekten erworben wurden. Der erste Datensatz besteht aus 4.000 Hämatoxylin-Eosin (HE)-Schnitten, die von einem Neuropathologen annotiert wurden. Die Annotationen bestehen aus pixelgenauen Labels von 14 verschiedenen Gewebetypen, darunter drei verschiedene Stadien der Tumorinfiltration. Der zweite Datensatz umfasst 100 HE-Schnitte mit den entsprechenden mechanischen Eigenschaften. Diese HE-Schnitte sind nicht annotiert. Die mechanischen Eigenschaften wurden mittels optischer Kohärenz-Elastographie (OCE) bestimmt. OCE ist eine Bildgebungsmethode, die auf der optischen Kohärenztomographie basiert, einer laserbasierten Bildgebungstechnik zur Erstellung tomographischer Bilder.

Personalisierte medizinische Entscheidungen in der Krebstherapie stützen sich zunehmend auf große Patientendaten. Tumorbiomarker werden jedoch häufig außerhalb ihres informativen Bereichs fehlinterpretiert, was dazu führt, dass Biomarker übersehen werden und deren gemeinsame Klassifizierungsleistung leidet. Ausgangspunkt für das Vorhaben ist eine beim Antragsteller bereits entwickelte statistische Lösung, die so genannte "dataset restriction", welche den informativen Bereich von Biomarkerwerten findet, um irrelevante Informationen zu verwerfen und die Klassifizierung von Patientenproben zu verbessern. Die Methode wurde bereits zur Vorhersage klinisch signifikanter Hepatitis bei mit Immun-Checkpoint-Inhibitoren behandelten Melanompatienten angewendet. Die Methode wurde bereits auch auf andere biologische Messungen von Krebspatientinnen und -patienten ausgedehnt um die Entdeckung und Klassifizierung von Biomarkern durch maschinelle Lernmodelle zu verbessern. Diese Daten beinhalten Gen- und Proteinexpressionsdaten sowie Darmbakterienprofile von Melanompatienten. Derzeit ist das Tool für die Nutzung allerdings auf erfahrene Bioinformatikerinnen und Bioinformatiker beschränkt. In diesem Vorhaben soll eine kostenlose und benutzerfreundliche Webschnittstelle für Kliniker oder Biologen geschaffen werden, um dataset restriction auf ihre multivariaten Biomarker-Datensätze anzuwenden. Das Tool wird anhand von Forschungsdatensätzen weiter validiert.

Das Gesamtziel des Projekts BRAIN-MRx ist die Entwicklung und Validierung eines neuartigen generativen KI-Frameworks zur Synthese fehlender Magnetresonanztomographie (MRT)-Sequenzen bei der Bildgebung von Hirntumoren zum Zweck der Tumorsegmentierung. Die Ergebnisse sollen als Open-Source-Software veröffentlicht werden, um die breite Anwendung und Weiterentwicklung in Forschung und Klinik zu ermöglichen. In der klinischen Praxis basieren radiologische Befunde auf multiparametrischen MRT-Scans (mpMRT), die mehrere Bildvolumina umfassen. Allerdings können MRT-Untersuchungen aus verschiedenen Gründen unvollständig oder teilweise von nicht diagnostischer Qualität sein, was eine Herausforderung für die klinische Beurteilung und die Anwendung von KI-Algorithmen zur Tumorsegmentierung darstellt. BRAIN-MRx wird verschiedene KI-Architekturen untersuchen, darunter Generative Adversarial Networks (GANs), Diffusionsmodelle, U-Netz-Varianten, transformatorbasierte Modelle, Hybridmodelle und flussbasierte Modelle. Ziel ist es, fehlende MRT-Sequenzen aus vorhandenen Sequenzen zu synthetisieren und die Leistung dieser synthetischen Daten in der Tumorsegmentierung zu bewerten. Für die Untersuchung dieser Forschungsidee wird der Brain Tumor Segmentation (BraTS)-Datensatz, der Glioblastom-Datensatz der University of Pennsylvania (UPenn-GBM) sowie den Preoperative Diffuse Glioma MRI-Datensatz der University of California San Francisco (UCSF-PDGM) verwendet, die bereits akribisch zusammengestellt, strukturiert und annotiert wurden und umfangreiche mpMRT-Scans aus mehreren Institutionen umfassen. Die Ergebnisse sollen schließlich als Open-Source-Software inklusive Lizenz veröffentlicht werden, um eine weite wissenschaftliche sowie kommerzielle Anwendung und Weiterentwicklung zu ermöglichen.