Das PROSurvival-Projekt zielt darauf ab, das Überleben von Prostatakrebspatienten allein auf der Grundlage von Hämatoxylin-Eosin-Färbemustern (H&E) vorherzusagen, ohne dass genomische Analysen oder eine explizite Bestimmung des Gleason-Grades erforderlich sind. Der Gleason-Grad, ein Surrogatmarker für die Ergebnisvorhersage, ist derzeit der wichtigste prognostische Faktor für Prostatakrebs und entscheidend für Behandlungsentscheidungen, ist aber bekanntermaßen sehr subjektiv. Dies spiegelt sich in einer hohen Variabilität der von Pathologen gemeldeten Grade wider und führt zu Unter- und Überdiagnosen von Prostatakrebs (PCa).

Bisherige Forschungsarbeiten haben gezeigt, dass für das Training von 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 wir föderierte KI-Modelle entwickeln, die die Patientenhistorie und klinisch-pathologische Metadaten vor Ort in Kombination mit öffentlich verfügbaren Whole-Slide-Imaging-Daten (WSI) 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 prädiktive Musterinformationen, was die Komplexität des Datensatzes reduziert und die Analyse mit handelsüblicher Hardware erleichtert.

Das langfristige Ziel ist es, einen umfassenden, standortübergreifenden, digitalen WSI-Datensatz von PCa-Proben durch modernste Datenzugriffstechniken und eine Rechenumgebung zu generieren, um die gemeinschaftliche Entwicklung von KI für die Präzisionsmedizin zu unterstützen.