Teilprojekt eines Verbundes

Universität Düsseldorf

Förderkennzeichen: 01KD2418D
Fördersumme: 167.652 EUR
Förderzeitraum: 2024 - 2026
Projektleitung: Prof. Dr. Irene Esposito
Adresse: Universitätsklinikum Düsseldorf, Institut für Pathologie
Moorenstr. 5
40225 Düsseldorf

Die Entwicklung fortschrittlicher Diagnosestrategien für duktale Adenokarzinome der Bauchspeicheldrüse und hepatozelluläre Karzinome durch multizentrische Datenintegration und Biomarkenentwicklung umfasst vor allem: 1) sicheres Datenpooling und die gemeinsame Nutzung multimodaler medizinischer Daten; 2) Aufbau der weltweit größten klinischen Datenbank für Patientinnen und Patienten mit fortgeschrittenem Bauchspeicheldrüsen- und Leberkrebs, durch Sammlung patientenspezifischer klinischer, radiologischer und pathologischer Daten von 20 universitären Krebszentren; 3) Entwicklung von KI-Werkzeugen zur Vorhersage der Krebsbehandlungsergebnisse auf Grundlage dieser Datensätze. Diese Krebsarten werden häufig spät erkannt und trotz neuer Therapiemöglichkeiten fehlen standardisierte Verfahren zur Vorhersage der effektivsten Behandlung. Der Einsatz von KI auf komplexen Patientendaten könnte die Behandlung personalisieren, optimale Therapien vor Behandlungsbeginn vorschlagen und die Prognosen verbessern. Das Projekt könnte als Modell für die Entwicklung von KI-basierten medizinischen Modellen in Deutschland dienen, wobei datenschutzkonformes föderiertes Lernen den Schutz sensibler Informationen gewährleistet. Das Ziel ist die enge Zusammenarbeit von Expertinnen und Experten aus verschiedenen medizinischen und technischen Bereichen und Patientenvertretenden, um auch zukünftige Projekte besser zu vernetzen. Die Arbeitsschwerpunkte der Forschungsgruppe am Standort UKD Düsseldorf umfassen den Aufbau, die Prüfung und qualitätsgesicherte Vervollständigung einer multizentrischen Kohorte von duktalen Pankreaskarzinomen und hepatozellulären Karzinomen mit Fokus auf histopathologische und morphomolekulare Daten sowie deren Kuratierung und Integration mit klinischen und Imaging-Datensätze auf dem lokalen RACOON-Node. Dies beinhaltet die umfassende Schulung des an den jeweiligen Zentren beteiligten und verantwortlichen Personals, die Identifizierung und Festlegung der standortspezifischen Strategien für die systematische Datenerfassung, die Definition und Implementierung von Qualitätskriterien, die in die Fortschrittüberwachung überführt werden.