
Machine Learning-basierte Vorhersage genetischer Daten anhand von histologischen Schnitten
Ziel
Hinweis: Dieses Projekt ist abgeschlossen.
Das Verbundprojekt MEPHISTO beschäftigt sich mit der Verbesserung der bildgebenden Diagnostik von Glioblastomen. Das Glioblastom ist der aggressivste und tödlichste Tumor des Zentralnervensystems mit einer mittleren Gesamtüberlebenszeit von nur 15 Monaten. Es zeichnet sich durch eine große Tumorheterogenität aus. Auffallend ist die häufige Interaktion zwischen Tumorzellen und Zellen des Immunsystems, was zu einer Unterteilung in viele verschiedene Glioblastom-Subtypen führt. Für die Wahl der besten individuellen Therapie ist eine möglichst genaue und vollständige Bestimmung dieser Subtypen von entscheidender Bedeutung.
Hier setzt MEPHISTO an: Ziel des Projektes ist es, die bildgebende Diagnostik von Glioblastomen so zu verbessern, dass künftig maßgeschneiderte Therapien abgeleitet bzw. perspektivisch neu entwickelt werden können. Dafür ist geplant, auf histologischen Schnitten sogenannte Expressionsprofile den jeweiligen Entnahmepunkten (Spots) zuzuordnen. Die Zuordnung soll künftig von einem eigens dafür entwickelten Convolutional Neuronal Network (CNN) analysiert werden. CNN gehören zur Gruppe der künstlichen neuronalenEin neuronales Netzwerk besteht aus einer Reihe von Algorithmen, die zugrunde liegende Beziehungen in einem Datensatz durch einen Prozess erkennen, der die Funktionsweise des menschlichen Gehirns nachahmt. Neuronale Netzwerke können sich an sich ändernde Eingaben anpassen und können dadurch unter Umständen bessere Ergebnisse als traditionelle Algor…zum Glossar Netzwerke, die äußere Reize – beispielsweise visuelle Bilder – ähnlich wie das menschliche Nervensystem mithilfe von Computeralgorithmen maschinell filtern und verarbeiten können. Es ist vorgesehen, die im CNN verwendeten Algorithmen mit den vorhandenen Datensätzen zu trainieren. Am Ende des Projekts soll das erlernte System in der Lage sein, genetische Expressionsdaten auf histologischen Schnitten auch in jenen Bereichen vorherzusagen, bei denen zuvor kein Spot zur Expressionsanalyse entnommen wurde. Auf diese Weise ließe sich künftig das gesamte Expressionsprofil eines kompletten histologischen Schnittes vorhersagen, ohne zuvor die sehr kostenintensiven Spot-Analysen durchgeführt zu haben.
Im Erfolgsfall ließe sich mit der neuen Technik die Differentialdiagnose bei Glioblastomen automatisieren und deutlich verbessern, so dass nachfolgend wesentlich individualisiertere Glioblastom-Therapien als bislang entwickelt werden können.
Das Verbundprojekt MEPHISTO beschäftigt sich mit der Verbesserung der bildgebenden Diagnostik von Glioblastomen. Das Glioblastom ist der aggressivste und tödlichste Tumor des Zentralnervensystems mit einer mittleren Gesamtüberlebenszeit von nur 15 Monaten. Es zeichnet sich durch eine große Tumorheterogenität aus. Auffallend ist die häufige Interaktion zwischen Tumorzellen und Zellen des Immunsystems, was zu einer Unterteilung in viele verschiedene Glioblastom-Subtypen führt. Für die Wahl der besten individuellen Therapie ist eine möglichst genaue und vollständige Bestimmung dieser Subtypen von entscheidender Bedeutung.
Hier setzt MEPHISTO an: Ziel des Projektes ist es, die bildgebende Diagnostik von Glioblastomen so zu verbessern, dass künftig maßgeschneiderte Therapien abgeleitet bzw. perspektivisch neu entwickelt werden können. Dafür ist geplant, auf histologischen Schnitten sogenannte Expressionsprofile den jeweiligen Entnahmepunkten (Spots) zuzuordnen. Die Zuordnung soll künftig von einem eigens dafür entwickelten Convolutional Neuronal Network (CNN) analysiert werden. CNN gehören zur Gruppe der künstlichen neuronalenEin neuronales Netzwerk besteht aus einer Reihe von Algorithmen, die zugrunde liegende Beziehungen in einem Datensatz durch einen Prozess erkennen, der die Funktionsweise des menschlichen Gehirns nachahmt. Neuronale Netzwerke können sich an sich ändernde Eingaben anpassen und können dadurch unter Umständen bessere Ergebnisse als traditionelle Algor…zum Glossar Netzwerke, die äußere Reize – beispielsweise visuelle Bilder – ähnlich wie das menschliche Nervensystem mithilfe von Computeralgorithmen maschinell filtern und verarbeiten können. Es ist vorgesehen, die im CNN verwendeten Algorithmen mit den vorhandenen Datensätzen zu trainieren. Am Ende des Projekts soll das erlernte System in der Lage sein, genetische Expressionsdaten auf histologischen Schnitten auch in jenen Bereichen vorherzusagen, bei denen zuvor kein Spot zur Expressionsanalyse entnommen wurde. Auf diese Weise ließe sich künftig das gesamte Expressionsprofil eines kompletten histologischen Schnittes vorhersagen, ohne zuvor die sehr kostenintensiven Spot-Analysen durchgeführt zu haben.
Im Erfolgsfall ließe sich mit der neuen Technik die Differentialdiagnose bei Glioblastomen automatisieren und deutlich verbessern, so dass nachfolgend wesentlich individualisiertere Glioblastom-Therapien als bislang entwickelt werden können.
Beteiligte
Universitätsklinikum Aachen
Albert-Ludwigs-Universität Freiburg – Medizinische Fakultät – Universitätsklinikum Freiburg – Klinik für Neurochirurgie
Albert-Ludwigs-Universität Freiburg – Medizinische Fakultät – Universitätsklinikum Freiburg – Klinik für Neurochirurgie
Förderung
Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Laufzeit
2021 - 2023
Kontakt
Leitung Teilprojekt Aachen: PD Dr. Daniel Delev
Ddelev@ukaachen.de
Leitung Teilprojekt Freiburg: PD Dr. Dieter Henrik Heiland
dieter.henrik.heiland@uniklinik-freiburg.de
Ddelev@ukaachen.de
Leitung Teilprojekt Freiburg: PD Dr. Dieter Henrik Heiland
dieter.henrik.heiland@uniklinik-freiburg.de
Kontakt
E-Mail:
atlas-itg@uni-wh.deLehrstuhl für Management und
Innovation im Gesundheitswesen
Innovation im Gesundheitswesen
Universität Witten/Herdecke
Alfred-Herrhausen-Straße 50
58448 Witten, Deutschland
Alfred-Herrhausen-Straße 50
58448 Witten, Deutschland

