Forschungsschwerpunkt C: Chirurgie & Pathologie

C3 – Entwicklung eines multiparametrischen Gewebeklassifikators

Entwicklung eines multiparametrischen Gewebeklassifikators zum direkten Vergleich morphologischer und immunophänotypischer Parameter mit Sensordaten.
[Foto: Universität Tübingen]

Ziele

  • Etablierung der standardisierten histologischen Erfassung von Gewebemerkmalen am präklinischen Modell
  • Entwicklung eines multiparametrischen phänotypischen Klassifikators am Humangewebe
  • Validierung des Klassifikators an humanem Tumorgewebe im direkten Vergleich mit Sensordaten

Arbeitsprogramm

Die exakte Korrelation von Sensordaten mit dem Goldstandard Histologie erfordert reproduzierbare, quantitative Auswertestrategien:

  • Standardisierte Klassifikation von morphologischen Parametern zum Direktvergleich mit Sensordaten
    • Topographisch exakte Quantifizierung von Vaskularisation, Zelldichte und Fasergehalt
    • Erkennung von Tumor-induzierten Stroma- und Gefäßveränderungen
  • Entwicklung eines Tools zur standardisierten Erfassung iatrogener Gewebeschäden
    • Multiparametrische, Topographie-bezogene Gewebeklassifikation 
    • Multiparametrische immunhistochemische Gewebetypisierung  unter Einsatz von Bildanalyse
    • Multiparametrischer Immunoscore unter Einsatz von Multi-Staining Assays, RNAScope und Nanostring-basierter Expressionsanalyse
  • Validierung  der Klassifikatoren an humanen Ovarial- und Blasenkarzinomproben
  • Einsatz von deep learning tools zur Verknüpfung von Sensor- und Gewebedaten

Schnittstellen zu anderen Projekten

  • mit A1, A4 und A5: Korrelation von Sensordaten mit Gewebeeigenschaften
  • mit A4, A5: standardisierte Erfassung von iatrogenen Gewebeschäden
  • mit B1, B2: Einsatz maschineller Lernverfahren zur Gewebeklassifikation
  • Mit C1, C2: Validierung des multiparametrischen Klassifikators an humanen Tumorproben

Aktuelle Projekte

Verantwortlicher: Cand. med. Saki Hassas

Hauptziel des Projektes ist die Entwicklung eines KI-basierten bildanalytischen Algorithmus, welcher nicht-invasive, papilläre Urothelkarzinome an routinegefärbten, gescannten histologischen Schnitten erkennen und klassifizieren kann. Der Algorithmus wird zur Differenzierung der Proben in papilläre Neoplasie mit niedrig malignem Potential (PUNLMP); low-grade nicht-invasives, papilläres Urothelkarzinom und high-grade nicht-invasives, papilläres Urothelkarzinom der Harnblase, benutzt. Bei der Klassifikation durch den Algorithmus fließen verschiedene histologische, immunhistochemische (p53, Mib-1 und CK-20), sowie molekulare (p53- oder FGFR-Mutationen) Kriterien mit ein. Der Einsatz dieser Technologie zielt auf die Etablierung eines bildanalytisch gestützen diagnostischen Verfahrens zur Unterscheidung von Untergruppen beim Urothelkarzinom mit unterschiedlichen therapeutischen Ansätzen und Prognosen.

Verantwortliche: Cand. med. Diana Silimon

Im Rahmen der Gruppe C3 arbeite ich am Prozess der Digitalisierung von histologischen Schnitten von primär invasivem duktalen Mammakarzinom (NST). Die Begrenzung auf NST erlaubt weitere Untersuchungen der Differenzierung und die Beurteilung der Malignität via Elston- Ellis Score, aufgrund von histologischen Charakteristiken (Tubulusformation, Kernmophologie, Mitosen) und der Immunhistochemie (ER, PR, HER2; Mib-1). Eine automatisierte und reproduzierbare Methode zur Detektion von NST auf Gewebeschnitten und zur Quantifikation von Biomarkern könnte die inter- und intraobserver Variabilität senken und einen effizienteren und einheitlicheren Diagnoseprozess gewährleisten.

Kontaktpersonen

Dieses Bild zeigt Yvonne Aidee Montes Mojarro
Dr. med.

Yvonne Aidee Montes Mojarro

Clinician Scientist C3

[Foto: Ivonne Montes, Institut für Pathologie und Neuropathologie]

Dieses Bild zeigt Falko Fend
Prof. Dr. med.

Falko Fend

Teilprojektleiter C3

Zum Seitenanfang