Startschuss für „DataXperiment“: 23 ausgewählte Projekte können durch die neue Fördermaßnahme des Bundesministeriums für Bildung und Forschung (BMBF) diesen Monat ihre Arbeit aufnehmen. Ihre innovativen Ansätze zur Wieder- oder Weiterverwertung bestehender Daten und Tools in der Krebsforschung unterstützt das BMBF im Rahmen der Nationalen Dekade gegen Krebs mit über einer Million Euro.

Vorhandene Daten innovativ nutzen

Die moderne Krebsforschung und -medizin erzeugen eine Vielzahl an Datensätzen und IT-Tools, die häufig nur für einen spezifischen Zweck genutzt werden. In diesen digitalen Ressourcen schlummern oft ungenutzte Erkenntnisse. Die ausgewählten Projekte werden an diesen Datenschätzen innovative Forschungsideen erproben. Die Ergebnisse sollen neues Wissen für die Krebsforschung und -versorgung liefern und somit die Gesundheitsförderung, Prävention oder Therapie von Krebserkrankungen verbessern.

Wissenschaftlicher Nachwuchs im Fokus

Besonders junge Wissenschaftlerinnen und Wissenschaftler waren zur Bewerbung aufgerufen. Ihnen soll die Möglichkeit gegeben werden, frühzeitig ein öffentlich gefördertes Projekt zu koordinieren. Daher hat das BMBF ein niederschwelliges Antragsverfahren entwickelt. Dies zeigte Wirkung: Fast drei Viertel der 92 Antragstellenden sind nicht habilitiert. Die Projekte werden nun für sechs Monate mit jeweils bis zu 50.000 Euro gefördert.

Die geförderten Projekte im Überblick

Die 23 über ganz Deutschland verteilten Projekte forschen in den Bereichen Maschinelles Lernen, Behandlung/Risikovorhersage, Genomik/Epigenetik und Bildgebende Daten.

Hier stellen wir sie Ihnen vor:

Maschinelles Lernen

BRAIN-MRX (Universität Bonn)

MRT-Untersuchungen können aus technischen Gründen oder durch gesundheitliche Einschränkung der oder des zu Untersuchenden unvollständig oder von geringer diagnostischer Qualität sein. BRAIN-MRX möchte ein neuartiges generatives KI-gestütztes Programm zur Synthese fehlender MRT-Sequenzen bei der Bildgebung entwickeln.

DSR-WEB (Universität Regensburg)

Das Projekt DSR-WEB will eine Webanwendung schaffen, die Behandelnden und Forschenden hilft, wichtige Informationen aus Biomarker-Daten zu filtern, um die Klassifizierung von Patientenproben zu verbessern.

SUMOncology (Universitätsmedizin Rostock)

SUMOncology hat das Ziel, neue Behandlungsmöglichkeiten für aggressive und schwer behandelbare Tumoren zu entwickeln, anhand der Untersuchung von Veränderungen in Krebszellen. Es wird besonders die SUMOylierung betrachtet, um bestimmte Proteine zu stärken, die das Wachstum von Tumoren verhindern.

OvarStratAI (Universität Erlangen)

Der Anteil von Tumorgewebe zum umgebenden Bindegewebe hat sich als prognostischer Biomarker für verschiedene Krebsarten erwiesen. Ziel von OvarStratAI ist es, dies für einen Algorithmus für das Ovarialkarzinom zu nutzen.

ACTFAST (Ludwig-Maximilians-Universität München)

Das Projekt ACTFAST entwickelt ein automatisches System zur Klassifizierung von nicht kleinzelligem Lungenkrebs (NSCLC) mithilfe von Maschinellem Lernen. Es soll die Diagnose und Behandlung dieser Krebsart zu verbessern.

DQ-LIR (Martin-Luther-Universität Halle-Wittenberg)

Das Projekt DQ-LIR zielt darauf ab, ein System zu entwickeln, das automatisch Daten aus der klinischen Versorgung in wissenschaftliche Datenbanken überträgt. Dadurch sollen der Arbeitsaufwand verringert und die Qualität der Daten verbessert werden, was besonders wichtig für die Forschung zu seltenen Tumorerkrankungen ist.

MaPION (Uniklinik RWTH Aachen)

MaPION möchte eine Plattform zur Identifizierung von Protein-Interaktionen in der Onkologie optimieren. Dadurch sollen neue Erkenntnisse über Krebsmechanismen gewonnen werden, um bessere Therapien gegen Lungen-, Brust- und Speiseröhrenkrebs zu entwickeln.

LLM4Tumor (Universität Heidelberg)

Im Projekt LLM4-Tumor werden Large-Language-Modelle (LLMs) mit medizinischen Leitlinien und Tumorboard-Fällen optimiert, um ihre Fähigkeit zur Erstellung von Behandlungsempfehlungen zu testen und mit bestehenden Empfehlungen zu vergleichen.

Behandlung/Risikovorhersage

OCEAN (Universität zu Lübeck

OCEAN untersucht die mechanischen Eigenschaften verschiedener Hirngewebe, um Chirurgen bei der Unterscheidung dieser Gewebe während Operationen zu unterstützen. Eine benutzerfreundliche Oberfläche wird entwickelt, um die Ergebnisse anschaulich darzustellen und den Austausch zwischen technischem und klinischem Personal zu fördern.

AI-OPTIMUS (Universitätsklinikum Augsburg)

AI-OPTIMUS will die Diagnose und Behandlung der häufigsten Form von Hautkrebs verbessern. Mit einem medizinischem KI-gestützten Gerät sollen besondere Merkmale auf der Haut besser erkannt und so die Steuerung der Lasertherapie optimiert werden.

SMARTER (Technische Universität München)

SMARTER möchte einen neuen Studien-Empfehlungsalgorithmus entwickeln, welcher Schwachstellen in der Versorgung von Patienten mit fortgeschrittenen Tumorerkrankungen identifiziert und verbessert.

CROSSROADS (Charité Berlin)

Ein digitales und automatisiertes Identifikations- und Weiterleitungssystem soll sicherstellen, dass alle Krebspatientinnen und -patienten Zugang zu den aktuellsten Therapien und Studien erhalten. Im Fokus von CROSSROADS stehen optimierte Fallvorstellungen in den multidisziplinären Tumorboards der Charité Universitätsmedizin Berlin und die automatische Beteiligung aller erforderlichen Expertise.

PANDA (Universität Göttingen)

Das Projekt PANDA analysiert Daten aus Medikamententests an Pankreaskrebs-Zelllinien, um personalisierte Behandlungsstrategien für Erkrankte zu entwickeln. Die gewonnenen Informationen sollen in molekulare Tumorboards integriert werden, um gezielte Behandlungsmöglichkeiten für verschiedene Krebs-Subtypen zu definieren.

VisioPA-X (Johannes Gutenberg-Universität Mainz)

Die Visualisierungs-Software VisioPA wird weiterentwickelt, um onkologische Daten aus verschiedenen Quellen besser darzustellen. Diese visuelle Aufbereitung unterstützt molekulare Tumorboards bei schnellen Entscheidungen und bietet eine Grundlage für wissenschaftliche Forschung zu Behandlungspfaden und Leitlinien.

RareTNBC (Technische Universität München)

Im Projekt RareTNBC werden bestimmte Typen von triple-negativem Brustkrebs untersucht, um deren Eigenschaften besser zu verstehen. Ziel ist es, durch die Analyse klinischer und pathologischer Merkmale herauszufinden, ob eine intensive Chemotherapie notwendig ist, um Ärztinnen und Ärzten bei Therapieentscheidungen zu helfen.

MOOSe (Universität Rostock)

MOOSe untersucht die Rolle von oxidativem Stress bei der Therapieresistenz von Zellen. Durch die Analyse eines bestehenden Datensatzes und den Vergleich mit onkologischen Krebsdatenbanken sollen Biomarker identifiziert werden, um bessere Therapieentscheidungen zu ermöglichen.

SWEFTD (Technischen Hochschule Deggendorf)

SWEFTD entwickelt ein KI-gestütztes Tool zur frühzeitigen Erkennung von Tumoren in Ultraschalluntersuchungen. Zunächst werden Materialparameter von Tumorgeweben definiert. Anschließend werden per Ultraschall die Zusammenhänge mit dem Gewebszustand untersucht, um die Gewebesteifigkeit bzw. -elastizität zu messen.

Genomik/Epigenetik

COMET (Universitätsklinikum Hamburg-Eppendorf)

COMET untersucht den Einsatz neuronaler Netze für die molekularpathologische Diagnostik von Hirntumoren. Ziel ist es, molekulare Eigenschaften schnell und genau anhand kostengünstiger, histologischer Bilddaten zu ermitteln, indem bestehende Anwendungen und Algorithmen der Projektpartner breiter eingesetzt werden.

CNAscope (Charité Berlin)

Hier wird eine Methode zur Analyse von Veränderungen in der DNA-Anzahl aus genetischen Daten von Krebsproben entwickelt. So wird die Identifizierung molekularer Faktoren und Biomarker ermöglicht, um die Präzisionsmedizin und die individuelle Behandlung von Krebserkrankten zu verbessern.

Bildgebende Daten

CLIMB (Uniklinik RWTH Aachen)

CLIMB untersucht, ob das KI-Verfahren Contrastive Language-Image Pretraining (CLIP) für Bildkommentierung ohne manuelle Hilfe zur automatischen Diagnose von Brustkrebs anhand von MRT-Daten eingesetzt werden kann. Das könnte Scanzeiten verkürzen, die diagnostische Präzision erhöhen und die Arbeitsbelastung der Radiologinnen und Radiologen reduzieren.

KryoCTTherm (Goethe-Universität Frankfurt am Main)

Das Projekt KryoCTTherm prüft, ob Temperaturkarten (Thermometrie) die Tumorentfernung bei CT-geführten Verödungsverfahren im Nierengewebe verbessern können. Ziel ist die Entwicklung einer Echtzeit-Thermometrie, die Ärztinnen und Ärzten bei der Beurteilung der Zerstörung von resistentem Tumorgewebe hilft.

PALAS (Charité Berlin)

PALAS untersucht, wie viszerales Fett das Risiko für Komplikationen und das Überleben von Patientinnen und Patienten mit Magen- und Speiseröhrenkrebs beeinflusst. Computertomografien von über 700 Erkrankten werden mithilfe eines KI-Algorithmus analysiert, um den Einfluss von viszeralem Fett und Geschlecht auf die Operationsergebnisse und das Ansprechen auf Chemotherapie zu verstehen.

STARDUST (Universität Göttingen)

Das STARDUST-Projekt entwickelt und testet ein Open-Source-KI-Modell zur Verbesserung der Tumorsegmentierung in der Strahlentherapie, um präzisere und personalisierte Behandlungsstrategien zu ermöglichen. Das Modell wird an dreidimensionalen medizinischen Bilddaten angepasst, um solide Tumoren und Metastasen effektiver zu identifizieren.