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.