In den letzten zwei Jahrzehnten hat der technologische Fortschritt eine effiziente Digitalisierung von histologischen Gewebeschnitten ermöglicht und damit zur Vereinfachung der Arbeitsabläufe in Pathologielabors auf der ganzen Welt beigetragen. Diese Digitalisierung hat die Erstellung großer digitaler Objektträgerbibliotheken ermöglicht, deren bekannteste wohl der Cancer Genome Atlas (National Institutes of Health, USA) ist, der Forscher*innen auf der ganzen Welt den freien Zugang zu einem reichhaltig kuratierten und annotierten Datensatz von Pathologiebildern ermöglicht.

Digitale Gewebeschnitte, sogenannte Whole Slide Images, erlauben die Anwendung von Computeralgorithmen um für uns interessante Merkmale des Gewebes zu analysieren. Hierbei spielen Faktoren wie die räumliche Nähe oder Orientierung bestimmter Zelltypen zueinander eine entscheidende Rolle. Unser Ziel ist es, viele verschiedene Gewebearten innerhalb eines Slides zu differenzieren, um beispielsweise die Fragmentierung von Tumorgewebe nach einer bestimmten Behandlung zu quantifizieren.

Zu diesem Zweck setzen wir fortschrittliche Techniken wie Deep Learning ein, eine Subdisziplin der Künstlichen Intelligenz um damit Gewebe automatisch zu klassifizieren oder Zellkerne präzise zu segmentieren, um detaillierte Einblicke in die Gewebestruktur zu gewinnen. Die Verknüpfung dieser Daten mit klinischen, ergebnisbezogenen und genomischen Informationen ermöglichen umfangreiche Forschungsaktivitäten im Bereich der Präzisionsmedizin. Dabei kommen verschiedene Methoden und Technologien zum Einsatz, darunter:

• Tissue Microarray (TMA)
• Whole-Slide Imaging (WSI)
• Bildsegmentierung und -klassifizierung
• Künstliche Intelligenz und maschinelles Lernen
• Integrative Analyse mehrerer Datensätze von verschiedenen Technologieplattformen (Integromics)