Das PROSurvival-Projekt zielt darauf ab, das Überleben von Prostatakrebspatienten allein auf der Grundlage von Färbemustern vorherzusagen, ohne dass genomische Analysen oder eine explizite Bestimmung des Gleason-Grades erforderlich sind. Der Gleason-Grad, derzeit der wichtigste prognostische Faktor für Prostatakrebs und entscheidend für Behandlungsentscheidungen, ist aber sehr subjektiv, was sich in einer hohen Variabilität der von Pathologen gemeldeten Grade widerspiegelt und zu Unter- und Überdiagnosen von Prostatakrebs führt. Bisherige Forschungsarbeiten haben gezeigt, dass für das Training von Künstlichen Intelligenz (KI)-Modellen, die sich auf ungesehene Daten verallgemeinern lassen, Daten von mehreren Standorten erforderlich sind. Ergebnisdaten können jedoch aufgrund von Datenschutzbedenken oft nicht gemeinsam genutzt werden. Um dieses Hindernis beim Datenzugang zu überwinden, werden föderierte KI-Modelle entwickelt, die die Patientenhistorie und klinisch-pathologische Daten vor Ort in Kombination mit öffentlich verfügbaren Daten nutzen. PROSurvival wird eine datenschutzkonforme föderierte Lerninfrastruktur einrichten, die ein globales Modell aus lokalen Daten erlernt, um den Fundus an klinischen Routinedaten zu nutzen, ohne die Privatsphäre der Patienten zu gefährden. Wir verdichten die Bilddaten auf klinisch relevante Musterinformationen, was die Komplexität des Datensatzes reduziert und die Analyse mit handelsüblicher Hardware erleichtert. Das langfristige Ziel ist es, einen umfassenden, standortübergreifenden, digitalen Datensatz von PCa-Proben durch modernste Datenzugriffstechniken und eine Rechenumgebung zu generieren, um die gemeinschaftliche Entwicklung von KI für die Präzisionsmedizin zu unterstützen.

Das PROSurvival-Projekt zielt darauf ab, das Überleben von Prostatakrebspatienten allein auf der Grundlage von Färbemustern vorherzusagen, ohne dass genomische Analysen oder eine explizite Bestimmung des Gleason-Grades erforderlich sind. Der Gleason-Grad, , derzeit der wichtigste prognostische Faktor für Prostatakrebs und entscheidend für Behandlungsentscheidungen, ist aber sehr subjektiv, was sich in einer hohen Variabilität der von Pathologen gemeldeten Grade widerspiegelt und zu Unter- und Überdiagnosen von Prostatakrebs führt. Bisherige Forschungsarbeiten haben gezeigt, dass für das Training von Künstlichen Intelligenz (KI)-Modellen, die sich auf ungesehene Daten verallgemeinern lassen, Daten von mehreren Standorten erforderlich sind. Ergebnisdaten können jedoch aufgrund von Datenschutzbedenken oft nicht gemeinsam genutzt werden. Um dieses Hindernis beim Datenzugang zu überwinden, werden föderierte KI-Modelle entwickelt, die die Patientenhistorie und klinisch-pathologische Daten vor Ort in Kombination mit öffentlich verfügbaren Daten nutzen.

Das PROSurvival-Projekt zielt darauf ab, das Überleben von Prostatakrebspatienten allein auf der Grundlage von Färbemustern vorherzusagen, ohne dass genomische Analysen oder eine explizite Bestimmung des Gleason-Grades erforderlich sind. Der Gleason-Grad, derzeit der wichtigste prognostische Faktor für Prostatakrebs und entscheidend für Behandlungsentscheidungen, ist aber sehr subjektiv, was sich in einer hohen Variabilität der von Pathologen gemeldeten Grade widerspiegelt und zu Unter- und Überdiagnosen von Prostatakrebs führt. Bisherige Forschungsarbeiten haben gezeigt, dass für das Training von Künstliche Intelligenz (KI)-Modellen, die sich auf ungesehene Daten verallgemeinern lassen, Daten von mehreren Standorten erforderlich sind. Ergebnisdaten können jedoch aufgrund von Datenschutzbedenken oft nicht gemeinsam genutzt werden. Um dieses Hindernis beim Datenzugang zu überwinden, werden föderierte KI-Modelle entwickelt, die die Patientenhistorie und klinisch-pathologische Daten vor Ort in Kombination mit öffentlich verfügbaren Daten nutzen. PROSurvival wird eine datenschutzkonforme föderierte Lerninfrastruktur einrichten, die ein globales Modell aus lokalen Daten erlernt, um den Fundus an klinischen Routinedaten zu nutzen, ohne die Privatsphäre der Patienten zu gefährden. Die Bilddaten werden auf klinisch relevante Musterinformationen verdichtet, was die Komplexität des Datensatzes reduziert und die Analyse mit handelsüblicher Hardware erleichtert. Das langfristige Ziel ist es, einen umfassenden, standortübergreifenden, digitalen Datensatz von Prostatakrebs-Proben durch modernste Datenzugriffstechniken und eine Rechenumgebung zu generieren, um die gemeinschaftliche Entwicklung von KI für die Präzisionsmedizin zu unterstützen.

Das PROSurvival-Projekt zielt darauf ab, das Überleben von Prostatakrebspatienten allein auf der Grundlage von Färbemustern vorherzusagen, ohne dass genomische Analysen oder eine explizite Bestimmung des Gleason-Grades erforderlich sind. Der Gleason-Grad, derzeit der wichtigste prognostische Faktor für Prostatakrebs und entscheidend für Behandlungsentscheidungen, ist aber sehr subjektiv, was sich in einer hohen Variabilität der von Pathologen gemeldeten Grade widerspiegelt und zu Unter- und Überdiagnosen von Prostatakrebs führt. Bisherige Forschungsarbeiten haben gezeigt, dass für das Training von Künstliche Intelligenz (KI)-Modellen, die sich auf ungesehene Daten verallgemeinern lassen, Daten von mehreren Standorten erforderlich sind. Ergebnisdaten können jedoch aufgrund von Datenschutzbedenken oft nicht gemeinsam genutzt werden. Um dieses Hindernis beim Datenzugang zu überwinden, werden föderierte KI-Modelle entwickelt, die die Patientenhistorie und klinisch-pathologische Daten vor Ort in Kombination mit öffentlich verfügbaren Daten nutzen. PROSurvival wird eine datenschutzkonforme föderierte Lerninfrastruktur einrichten, die ein globales Modell aus lokalen Daten erlernt, um den Fundus an klinischen Routinedaten zu nutzen, ohne die Privatsphäre der Patienten zu gefährden. Die Bilddaten werden auf klinisch relevante Musterinformationen verdichtet, was die Komplexität des Datensatzes reduziert und die Analyse mit handelsüblicher Hardware erleichtert. Das langfristige Ziel ist es, einen umfassenden, standortübergreifenden, digitalen Datensatz von Prostatakrebs-Proben durch modernste Datenzugriffstechniken und eine Rechenumgebung zu generieren, um die gemeinschaftliche Entwicklung von KI für die Präzisionsmedizin zu unterstützen.