Lymphome sind eine heterogene Krebsart, die zahlreiche morphologische und molekulare Subtypen beinhaltet. Um die bestmögliche Therapie für einen Patienten zu finden, müssen diese Subtypen unterschieden werden, was immer noch eine Herausforderung in der pathologischen Arbeit darstellt. Zusammen mit anderen Wissenschaftlern wurden zwei umfangreiche Datensammlungen zu Lymphomen aufgebaut, eine bestehend aus molekularen Daten und eine aus hochauflösenden Aufnahmen von Gewebsschnitten. Geplanist, diese nun besser miteinander zu verbinden. Bisher gibt es kaum Verfahren, die eine gemeinsame Modellierung beider Informationsquellen erlauben würden. Am erfolgversprechendsten sind neuronale Netze, die aber sehr große Mengen an Daten zum Trainieren benötigen. Genau diese Daten werden zwar in unzähligen pathologischen Laboren täglich generiert, unterliegen aber dem Datenschutz. Deshalb ist das primäre Ziel, eine Plattform für föderiertes Lernen zu entwickeln, an die sich Pathologielabore anschließen können. So kann an allen Daten gemeinsam gelernt werden, ohne dass die Daten den geschützten Raum eines Pathologielabors verlassen. Ausgetauscht werden nur Modellparameter. Es wird davon ausgegangen, dass das Netzwerk gute Chancen hat schnell zu wachsen, da in den lokalen Patologielaboren digitale Bilder von Gewebsschnitten zunehmend die Arbeit am Mikroskop ersetzen. Mit immer mehr beteiligten Laboren wird Modelstabilität zum entscheidenden Kriterium für das Gelingen des Projekts. Ein Schwerpunkt liegt daher auf der Entwicklung statistischer Verfahren zur Harmonisierung von Bilddaten im Parameterraum. Auch dies geschieht, ohne dass Daten die Labore verlassen.