Multiparametrische Methoden zur Früherkennung des Prostatakarzinoms

Wir integrieren klinische Daten, Routineblutparameter und Metabolomics, um nicht-invasive Strategien für die Früherkennung von aggressivem Prostatakrebs zu entwickeln.

Wir evaluieren prospektiv, ob die Integration klinischer Daten mit Routineblutparametern die nicht-invasive Früherkennung von aggressivem Prostatakrebs verbessern kann. Unsere Forschung hat neue Blutmarker identifiziert, die in Kombination mit konventionellen PSA-Tests und klinischen Parametern die diagnostische Genauigkeit signifikant erhöhen können. Ein daraus entwickeltes mehrstufiges Risikomodell übertrifft reine PSA-Methoden und bietet einen kostengünstigen, nicht-invasiven und personalisierten Ansatz für die Früherkennung. Mit Hilfe von breit verfügbaren und kostengünstigen Parametern identifiziert unser Modell Patienten mit hohem Prostatakrebsrisiko, die weitere diagnostische Maßnahmen benötigen.

Parallel dazu analysieren wir das Metabolom von Patienten als additive Strategie zur Früherkennung von aggressivem Prostatakrebs. Durch den Vergleich von metabolischen Profilen in Blut- und Urinproben wollen wir relevante Unterschiede in den Metabolitenkonzentrationen zwischen Patienten mit aggressivem Prostatakrebs, indolenter Erkrankung und gesunden Personen identifizieren.

Durch die Extraktion quantitativer Features aus der MRT-Bildgebung, die Integration mit klinischen und molekularen Daten und die Anwendung maschinellen Lernens werden Korrelationen zwischen bildgebenden Befunden und der zugrunde liegenden Tumorbiologie detektiert.

Angesichts der begrenzten Sensitivität und Spezifität der derzeitigen Methoden zur Früherkennung von Prostatakrebs ist die Integration mehrerer Datenmodalitäten entscheidend für eine präzise Diagnose. Unsere Gruppe konzentriert sich daher auf die Kombination von multimodalen Daten, um die Entscheidungsfindung bei der Diagnostik und Therapie von Prostatakrebs zu optimieren. Dies umfasst die Integration klinischer und bildgebender Daten für individualisierte Früherkennungs- und Follow-Up-Strategien sowie die Optimierung der MRT-Ultraschall-Fusion bei der Prostatabiopsie.

Um die nicht-invasive Früherkennung von Prostatakrebs zu verbessern und unnötige Prostatabiopsien zu reduzieren, wenden wir Deep Learning auf bildgebende Daten an und integrieren diese mit klinischen und molekularen Daten. Durch die Kombination von klinischen und bildgebenden Befunden mit molekularen Daten aus Flüssigbiopsien zielen wir auf präzisere, nicht-invasive Diagnosestrategien ab. Aus MRT-Bildgebung extrahierte radiologische Features dienen als Input für maschinelle Lernalgorithmen und werden mit Fragmentierungsprofilen und Markern genomischer Instabilität aus Flüssigbiopsieproben korreliert. Diese Integration von klinischen Daten, radiologischen Merkmalen und molekularen Markern kann nicht nur die nicht-invasive Risikoeinschätzung von Prostatakrebs verbessern, sondern auch Einblicke in Genotyp-Phänotyp-Korrelationen ermöglichen.

Kooperation:

Abteilung Radiologie, DKFZ

Mit Hilfe der räumlichen Transkriptomik und Proteomik charakterisieren wir die Tumormikroumgebung mit hoher Auflösung und identifizieren Marker für aggressiven Prostatakrebs bei der Erstdiagnose.

Dieses Projekt untersucht Prostatakrebs im Frühstadium mithilfe räumlicher Transkriptomik- und Proteomik-Verfahren, darunter modernste Einzelzell-Imaging-Plattformen. Dadurch gewinnen wir einen hochaufgelösten räumlichen Einblick in die Heterogenität der Prostatatumorzellen und ihrer intratumoralen Mikroumgebung. Um diese räumlichen Datensätze zu analysieren, werden Algorithmen des maschinellen Lernens und der Multi-Omics-Datenintegration verwendet. Diese Methoden helfen uns, wichtige molekulare Interaktionen und Signalwege zu identifizieren, die die Aggressivität des Tumors steuern. Unser Ziel ist es, diese Erkenntnisse in klinisch relevante Stratifizierungsmodelle zu integrieren, die eine präzise Risikoabschätzung und personalisierte Behandlungsempfehlungen für Patienten mit Prostatakrebs im Frühstadium ermöglichen. Die prospektive Studienkohorte der Arbeitsgruppe, die umfassende klinische Informationen, onkologisches Follow-Up und Bildgebung umfasst, bietet eine ideale Umgebung für die Umsetzung sowohl molekularer als auch klinischer Erkenntnisse.

Kooperation:

Abteilung „Bioinformatik der Genomik und Systemgenetik“, DKFZ 

Pathologisches Institut, Universitätsklinikum Heidelberg

Unser Ziel ist es, molekulare, bildgebende und klinische Daten zu einem „digitalen Zwilling“ von Prostatakrebspatienten zu integrieren und dabei KI einzusetzen, um patientenspezifische, multidimensionale Gesundheitsdaten zu erfassen und reale Tumoreigenschaften widerzuspiegeln.

Seit vielen Jahren arbeiten wir mit Partnern aus Akademie und Industrie zusammen, mit klarem Fokus auf Präzisionstherapie und klinischer Translation. Diese Zusammenarbeit ermöglichte es uns, kompetitiv Drittmittel für die translationale Prostatakrebsforschung beim Bundesministerium für Wirtschaft und Klimaschutz einzuwerben. Die Nachwuchs-Klinische Kooperationseinheit war ein integraler Bestandteil des CLINIC 5.1 Konsortiums (Konsortialleitung). Dieses Konsortium brachte das Deutsche Krebsforschungszentrum, das Universitätsklinikum Heidelberg, die Universität Heidelberg, KARL STORZ, SAP SE und die Siemens Healthineers AG zusammen, um innovative, marktorientierte KI-basierte Entscheidungshilfen für Ärzte zu entwickeln. Der Fokus des Konsortiums liegt auf der KI-basierten Verbesserung der Entscheidungsfindung und Präzisionsmedizin bei der Diagnose, Behandlungsplanung von Prostatakrebs. Das Ziel des Projektes CLINIC 5.1 ist es, durch die Integration und Erweiterung diagnostischer und therapeutischer Datensätze eine umfassende, vierdimensionale virtuelle Darstellung von Prostatakrebspatienten („digitale Zwillinge“) zu entwickeln.

Darüber hinaus wurde eine Zusammenarbeit mit dem Engineering Mathematics and Computing Lab (Interdisciplinary Center for Scientific Computing, Universität Heidelberg) begonnen, um die multimodale Analyse von Prostatakrebs voranzutreiben. Das Projekt hat drei Hauptziele: die Verwendung von partiellen Differentialgleichungen zur Modellierung des Tumorwachstums, die Entwicklung eines multimodalen KI-Frameworks zur Schätzung der Wahrscheinlichkeit eines Tumorrezidivs und die Sicherstellung der Interpretierbarkeit multimodaler KI-Modelle, um das Vertrauen in die KI-Modelle zu stärken. Ein wesentliches Ziel dieser Zusammenarbeit ist das Vorantreiben von Präzisionsonkologie durch innovative, multidisziplinäre Ansätze mit einer soliden mathematischen Grundlage.