Verbund

Patho234 – Multidimensionale Bildanalyse von reaktiven und neoplastischen Lymphknoten durch maschinelles Lernen

Das Verbundprojekt Patho234 beschäftigt sich mit dem Thema Immunologie. Ziel ist es, die Analyse der Immunzelldynamik in gesundem und erkranktem menschlichen Lymphknotengewebe zu verbessern. Das menschliche Immunsystem ist hoch dynamisch, wodurch es den Körper effektiv vor Infektionen oder Tumoren schützt. Trotz des wachsenden Wissens über Vorgänge auf molekularer Ebene wird eine Diagnose gut- oder bösartiger lymphoider Prozesse häufig immer noch mikroskopisch mithilfe statischer Gewebeschnitte erstellt. Obwohl Tierversuche gezeigt haben, dass drei- oder vierdimensionale Untersuchungen relevante Vorteile aufweisen, kommt ein solches Vorgehen bei der Untersuchung von menschlichen Lymphknoten nur selten zum Einsatz. Patho234 verfolgt daher nun den Ansatz, die klassische zweidimensionale Mikroskopie mit der dreidimensionalen konfokalen Mikroskopie inklusive Dynamikaufnahmen zu kombinieren. Dafür werden ausgereifte computergestützte Analyse-methoden und verlässliche Software-Werkzeuge benötigt, da vorhandene Analysemodelle hier oft an ihre Grenzen stoßen.

Im Rahmen des Projekts soll die Analyse der verschiedenen Bilddaten mit Methoden aus dem Bereich des erklärbaren maschinellen Lernens kombiniert werden. Es ist geplant, hier insbesondere Lernverfahren einzusetzen, die Einblicke in die Entscheidungsprozesse geben können. Die Analysen sollen zeigen, wie stark die Vorhersagequalität der maschinellen Lern-algorithmen steigt, wenn der experimentelle Detailgrad von zwei- auf vierdimensional erhöht wird. Mithilfe der Methoden des erklärbaren maschinellen Lernens sollen die morphologischen Aspekte identifiziert werden, die am meisten zum Klassifikationsergebnis beigetragen haben. Die neuen Analysemöglichkeiten – also die Kombination statischer und dynamischer Aufnahmen mit Methoden des maschinellen Lernens – sollen das Verständnis der molekularen und klinischen Zusammenhänge verbessern, so dass künftig auch die Diagnostik schneller und genauer durchgeführt werden kann.

Teilprojekte

Abgeschlossen

Teilprojekt Frankfurt am Main

Förderkennzeichen: 031L0207A
Gesamte Fördersumme: 688.416 EUR
Förderzeitraum: 2020 - 2022
Projektleitung: Prof. Dr. Martin-Leo Hansmann
Adresse: Frankfurt Institute for Advanced Studies (FIAS)
Ruth-Moufang-Str. 1
60438 Frankfurt am Main

Teilprojekt Frankfurt am Main

Abgeschlossen

Teilprojekt Berlin I

Förderkennzeichen: 031L0207B
Gesamte Fördersumme: 296.028 EUR
Förderzeitraum: 2020 - 2022
Projektleitung: Prof. Dr. Frederick Klauschen
Adresse: Charité - Universitätsmedizin Berlin - Institut für Pathologie
Charitéplatz 1
10117 Berlin

Teilprojekt Berlin I

Abgeschlossen

Teilprojekt Berlin II

Förderkennzeichen: 031L0207C
Gesamte Fördersumme: 717.237 EUR
Förderzeitraum: 2020 - 2022
Projektleitung: Dr. Wojciech Samek
Adresse: Fraunhofer-Institut für Nachrichtentechnik – Heinrich-Hertz-Institut HHI
Einsteinufer 37
10587 Berlin

Teilprojekt Berlin II

Abgeschlossen

Teilprojekt Berlin III

Förderkennzeichen: 031L0207D
Gesamte Fördersumme: 280.080 EUR
Förderzeitraum: 2020 - 2022
Projektleitung: Prof. Dr. Klaus-Robert Müller
Adresse: Technische Universität Berlin - Institut für Softwaretechnik und Theoretische Informatik - Fachgebiet Maschinelles Lernen
Marchstr. 23
10587 Berlin

Teilprojekt Berlin III