Förderkennzeichen: | 01KD2208C |
Fördersumme: | 59.510 EUR |
Förderzeitraum: | 2022 - 2024 |
Projektleitung: | Prof. Dr. Matthias Lauth |
Adresse: |
Philipps-Universität Marburg, FB 20 Medizin, Klinik für Innere Medizin, Gastroenterologie, Endokrinologie, Stoffwechsel und Infektiologie Hans-Meerwein-Str. 3 35043 Marburg |
Ziel des Konsortiums, bestehend aus der Universitätsmedizin Göttingen, Uniklinikum Gießen und Marburg und der Technischen Universität München, ist die Entwicklung von FAIrPaCT, einem durch föderierte künstliche Intelligenz gestütztes Softwaresystem. Dies ermöglicht klinische Patientendaten und molekulare Daten von entnommenen Krebszellen von Patienten mit Bauchspeicheldrüsenkrebs institutsübergreifend zu analysieren. Bauchspeicheldrüsenkrebs ist eine hochaggressive Erkrankung mit steigender Inzidenz, die Prognosen zufolge bis 2030 in den Industrieländern die zweithäufigste krebsbedingte Todesursache sein wird. Aufgrund seiner außergewöhnlich aggressiven, lokal invasiven und zu Fernmetastasen neigenden Tumorbiologie, und der ungewöhnlich hohen und heterogenen Resistenz gegenüber konventioneller Chemotherapie gestaltet sich die Therapie oft schwierig. Das Projekt vereint drei der größten Patientenkohorten (KFO5002, KFO325, SFB1321) zum Thema Bauchspeicheldrüsenkrebs in Deutschland, die einzigartig in Größe und Heterogenität sind. In Kombination mit innovativen föderierten Methoden der künstlichen Intelligenz sind wir in der Lage robuste Hochleistungsmodelle zu trainieren, die die Erfolgswahrscheinlichkeit für spezifische Behandlungsansätze abschätzen können. Darüber hinaus, wird FAIrPaCT es ermöglichen wichtige Parameter zu identifizieren, die das Ansprechen auf die Behandlung beeinflussen. Diese können Aufschluss darüber geben, welche molekularen Mechanismen den Erfolg einer Therapie beeinflussen und somit die Entwicklung verbesserter Medikamente und personalisierter Behandlungsstrategien unterstützen. Schließlich ermöglicht es der Übergang zu einer kohortenübergreifenden Analyse, von heterogenen lokalen Daten zu profitieren, robustere und klinisch relevantere Modelle zu erstellen, global relevante Marker zu identifizieren und letztendlich einen weiteren Schritt in Richtung einer durch künstliche Intelligenz unterstützten Präzisionsmedizin zu machen.