Erweiterung der Krebsdiagnostik durch Analyse von Lymphknoten

Klinischer Einsatz und Validierung eines Multikrebs-Deep-Learning-Algorithmus zur Erkennung von Lymphknotenmetastasen auf der Basis von Foundation-Models

Diese Studie basiert auf einer engen Verbindung zwischen Informatik und klinischer Anwendung. Die Entdeckung von Krebszellen in den Lymphknoten eines Patienten ist für die Behandlung der Erkrankung von entscheidender Bedeutung. Die Analyse des Lymphknotenstatus erfordert die Fachkenntnisse eines Pathologen, ist jedoch arbeitsintensiv und mit grossem Zeitaufwand verbunden. Um Pathologen bei dieser Aufgabe zu unterstützen, wurde ein computergestütztes Diagnose-Tool entwickelt, das Deep Learning zur Erkennung von Lymphknotenmetastasen im Darmbereich nutzt. Nun werden die Wissenschafter das Training dieses Algorithmus auf Lymphknoten von zehn weiteren Krebsarten ausweiten, um dessen Nutzen für die tägliche Anwendung in der klinischen Onkologie zu erhöhen.

Was uns die Bildgebung des Knochenmarks über Leukämie verraten kann

Deepmarrow: Untersuchung der Knochenmarkumgestaltung nach intensiver Chemotherapie als Prädiktor für das Ansprechen bei akuter myeloischer Leukämie

Im Verlauf der akuten myeloischen Leukämie (AML) können Veränderungen im tumorumgebenden Gewebe, dem sogenannten Stroma, dazu führen, dass Bereiche mit rascher Blutkörperchenproduktion in Zonen mit pathologischem Zellwachstum umgewandelt werden. Dies kann eine weitere Ausprägung der Erkrankung zur Folge haben. Ziel der Studie ist die Entwicklung neuer digitaler Machine-Learning-Tools auf der Grundlage der Hämatopathologie, mit denen Bestandteile des Bindegewebes im Knochenmark quantifiziert werden können. Dieses Tool könnte auch dabei helfen, AML-Patienten mit einem hohen Rückfallrisiko zu identifizieren und sollte dazu beitragen, Rückfälle bei AML vorherzusagen und zu verhindern. Dies stellt derzeit eindeutig einen ungedeckten klinischen Bedarf dar.

Diagnostik eines seltenen Lymphoms durch integrative KI

Verbesserung der Diagnostik bei nodalen Marginalzonenlymphomen durch die Integration von digitaler Pathologie, Molekularbiologie und künstlicher Intelligenz

Das nodale Marginalzonenlymphom (NMZL) ist eine seltene und schwer diagnostizierbare B-Zell-Erkrankung, die oft falsch diagnostiziert wird. Die Forscher schlagen einen digitalen Pathologieansatz vor, der hoffentlich erfahrene Pathologen bei der korrekten Diagnose des NMZL übertreffen wird. Dazu werden sie Deep Learning einsetzen. Bildgebungsdaten, klinische und molekulare Daten werden integriert und ein Klassifikator erstellt, in welchen Ärzte ihre gesamten Objektträger-Scans hochladen können, um eine korrekte NMZL-Diagnose zu erhalten. Das Team hofft, mithilfe von 900 NMZL-Fällen und den dazugehörigen Proben und Daten aus ganz Europa eine klinisch anwendbare und dennoch technisch ausgefeilte Methode zur Identifizierung dieses seltenen Lymphom-Subtyps zur Verfügung stellen zu können.

Räumliche Biologie für die Risikostratifizierung des Darmkrebses

Stratifizierung des Darmkrebsrisikos mittels Bildgebung und Transkriptionsprofilen

Ziel ist es, prognostische Biomarker für Darmkrebs im Stadium II zu identifizieren. Dazu werden die Forscher computergestützte Ansätze nutzen, um fortgeschrittene molekulare Omics-Daten mit histologischen Bildern von 1800 früheren Darmkrebspatienten zu kombinieren. Es sollen prognostische Marker in Netzwerken identifiziert und anschliessend in neuen Patientenkohorten validiert werden. Dabei handelt es sich um ein fortgeschrittenes Projekt im Bereich der digitalen Pathologie.

Löst Gewebefibrose ein Wiederauftreten von Hirntumoren aus?

Räumliche Analyse und funktionelle Untersuchung fibrotischer Vernarbungsnischen bei Glioblastomrezidiven

Fibrotische Vernarbungsbereiche werden mit einem Wiederauftreten von aggressiven Hirntumoren in Verbindung gebracht. In dieser Studie werden hochmoderne räumliche Multi-Omics-Technologien mit digitalen Pathologieanalysen kombiniert, um Mechanismen zu untersuchen, die bei Glioblastom-Patienten zu Fibrosen führen. Ziel der Wissenschafter ist es, neue therapeutische Angriffspunkte zu identifizieren, die die tumorschützende fibrotische Nische zerstören und so das Wiederauftreten der Krankheit verhindern können.

Differenzieren zwischen Primärtumoren und Metastasen in der Lunge mittels KI

Multiple Lungentumorknoten: Entwicklung von kostengünstigen molekularen und digitalen Pathologiemethoden zur Differenzierung zwischen multiplem primärem Lungenkrebs und intrapulmonalen Metastasen

Die Analyse gefärbter Tumorbiopsien unter dem Mikroskop ist das Handwerk des Pathologen. Nun können solche Untersuchungen durch computergestützte Analysen und die Einbeziehung weiterer Informationen verbessert und ergänzt werden.

Das Team wird Gewebeschnitte von primärem Lungenadenokarzinom aus einer grossen Datenbank verwenden und diese mit metastatischen Lungenknoten, die von anderen Primärtumoren stammen, vergleichen. Das Ziel besteht darin, ein neues digitales Pathologie-Tool (DPLAS) zu optimieren, mit dem Lungenkrebserkrankungen stratifiziert und die Patienten-Triage vorgenommen werden kann. Ein Vorteil dieses Projektes ist, dass diese Technologie auf routinemässig verfügbaren H&E-Gewebeschnitten basiert, was eine breite Anwendung des Tools ermöglicht.