Deep Learning und radiologische Biomarker für die nicht-invasive Prognoseprädiktion immun-onkologisch therapierter Patientinnen und Patienten mit diversen Tumorarten.

• Antragsteller: Dr. Simon Bernatz
• Fachliche Zuordnung: Nuklearmedizin, Strahlentherapie, Strahlenbiologie
• Förderung: Förderung von 2022 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 502050303

Krebs ist weltweit eine der häufigsten Todesursachen, und die alternde und wachsende Weltbevölkerung wird zu einer weiteren Zunahme führen. Obwohl die Immun-Onkologie (IO) die Krebsbehandlung revolutioniert hat, sprechen nur ein Teil der Patienten auf Immuntherapie an, und vorhandene etablierte Biomarker sind unzureichend. Aktuelle Innovationen in der medizinischen Bildgebung und Computerentwicklung ermöglichen die Umwandlung von digitalen medizinischen Bildern in hochdimensionale Daten jenseits der visuellen Wahrnehmbarkeit - dieses Konzept wird durch den Begriff Radiomics beschrieben. In diesem Projekt streben wir an, diese neuen innovativen Technologien gemeinsam mit Methoden der künstlichen Intelligenz (KI) für die Entwicklung von nicht-invasiven, bildgebungsbasierten Biomarkern zu nutzen, um die Outcomes von Patientinnen und Patienten und somit die Gesundheit der Bevölkerung zu verbessern. Unser Ziel ist es, bildgebungsbasierte Biomarker zu entwickeln, zu validieren und zu testen, um die Therapieentscheidung zu verbessern, sodass die Personen Immuntherapeutika erhalten, die am wahrscheinlichsten von der Behandlung profitieren werden und gleichzeitig Nebenwirkungen erspart werden können, wenn ein Therapieansprechen sehr unwahrscheinlich ist. Darüber hinaus ist es unser Ziel, vorhandene Biomarker mit unseren Innovationen zu ergänzen, um die bestmögliche Ansprechvortestwahrscheinlichkeit für Patientinnen und Patienten zu erreichen. Es ist von größter Wichtigkeit, dass Forschung ihren Weg in die Praxis finden kann. Daher fokussieren wir uns besonders auf Validität, Nutzen und klinische Anwendbarkeit. Wir werden unsere Modelle mit biologischen Daten wie Mutationsprofilen kombinieren, um potenzielle Mechanismen zu analysieren, die den Bildbiomarkern zugrunde liegen, und wir werden KI-Techniken wie "Activation Mapping" verwenden, um die Interpretierbarkeit zu erhöhen. Neben der Validierung wollen wir hierdurch der Forschungsgemeinschaft und den klinisch-tätigen Ärztinnen und Ärzten die Möglichkeit geben, unsere Methoden nachzuvollziehen und Vertrauen darin zu gewinnen - dies ist ein kritischer Eckpfeiler für eine erfolgreiche klinische Übertragbarkeit. Unser Projekt folgt dem Prinzip der offenen Wissenschaft, daher ist der letzte Schritt das Teilen der Ergebnisse, der Daten und der Softwarecodes mit der wissenschaftlichen Gemeinschaft.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Hugo Aerts, Ph.D.