Identifizierung von Bildsignaturen des Glioblastoms mit Hilfe eines multiskaligen Konzepts

• Antragsteller: Dr. Salvador Castaneda Vega
• Fachliche Zuordnung: Nuklearmedizin, Strahlentherapie, Strahlenbiologie ; Hämatologie, Onkologie ; Medizininformatik und medizinische Bioinformatik ; Molekulare und zelluläre Neurologie und Neuropathologie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 552093537

Die Unterscheidung zwischen Tumorgewebe und entzündlichen Veränderungen nach der Bestrahlung mittels kombinierter Positronen-Emissions-Tomographie und Magnetresonanztomographie (PET/MRI) nach einer Strahlentherapie ist eine kritische und schwierige Aufgabe, die sehr oft über den Therapieverlauf und das Überleben von Gliompatienten entscheidet. Machine Learning Modelle wurden entwickelt, um diese Gewebemerkmale zu identifizieren. Aufgrund der Komplexität der Tumormikroumgebung und der Einschränkungen in der klinischen Routine ist es jedoch schwierig, diese Modelle mit Biopsieproben auf Voxel-Ebene zu trainieren. Wir haben bereits gezeigt, dass präklinische PET/MRI-Daten verwendet werden können, um Phänotypen in der menschlichen Bildgebung vorherzusagen. Aus diesem Grund wollen wir eine Machine Learning Modelle entwickeln, der speziell designte Daten des gesamten Tumors auf Mikro- und Makroebene verwendet. Unser erstes Ziel ist es, Tumorzellen erfolgreich mit zwei Reportergenen zu transfizieren, um zwei spezifische bildgebende Biomarker zu exprimieren: einen zur Identifizierung von Tumorzellmembranen mittels PET in vivo und einen zur Identifizierung von Tumorkernen mittels Lichtschichtmikroskopie ex vivo. Die Lichtschichtmikroskopie ermöglicht die Verifizierung und genaue Lokalisierung des Tumors auf zellulärer Ebene. Das Reportergen für die in vivo PET hingegen exprimiert ein Protein auf der Oberfläche von Tumorzellen, das durch einen Radiotracer spezifisch angesprochen werden kann. Unser zweites Ziel ist die Entwicklung zweier maschineller Lernmodelle. Eines ist speziell auf die mikroskopische Identifizierung von Tumoren und Entzündungen ausgerichtet. Die durch diese erste zelluläre Identifizierung gefundenen Targets werden verwendet, um ein zweites maschinelles Lernmodell zu trainieren, das präklinische in vivo PET/MRI benutzt, um Tumor- und Entzündungsregionen nach ablativer Strahlentherapie zu identifizieren. Wir sind zuversichtlich, dass dieser kombinierte Ansatz nicht nur die Grenzen der heutigen klinischen Diagnostik erweitern wird, sondern uns auch eine maschinelle Lernmethode zur Verfügung stellen wird, die sich durch eine bisher unerreichte Genauigkeit bei der Identifizierung von Gewebe auszeichnet.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortliche: Professor Dr. Stefan Bauer; Professorin Dr. Bettina Weigelin