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.