Erfassung einer strukturellen und biochemischen ECM-Nische in soliden Tumoren Gruppe Zlobec, Williams Die extrazelluläre Matrix (ECM, auch Matrisom genannt) ist Teil des Tumor-Ökosystems, aber hinsichtlich ihres Beitrags zur Tumorbiologie noch nicht ausreichend erforscht. Die Williams-Gruppe setzt räumlich abgebildete Multi-Matrisomics (Transcriptomics, Proteomics und digitale Bildanalyse) in 2D und 3D ein, um die strukturellen und biochemischen Komponenten des Matrisoms eingehend zu charakterisieren und den Zusammenhang zwischen diesen und dem Gesundheitszustand der Patienten zu untersuchen. Multimodale Auswertung der extrazellulären Matrix in soliden Tumoren. Oben: Maximalintensitätsprojektion von Kollagen unter Verwendung der 3D-Open-Top- light sheet Mikroskopie. Mitte: Räumlich abgebildete RNA-Analyse von «Tumor Budding». Unten: digitale Bildanalyse von fibrillären Strukturen, extrahiert aus H&E-Bildern
Digitale Pathologie und KI sollen neue Erkenntnisse über Darmkrebs liefern Gruppe Zlobec, Williams Unser Sinergia-Projekt nutzt KI, um neue Einblicke in die Biologie kolorektaler Karzinome zu gewinnen. Wir untersuchen morphomolekulare Beziehungen, einschließlich molekularer Subtypen, und intratumorale Heterogenität, um neue interpretierbare und klinisch wichtige Merkmale aus histopathologischen Bildern zu lernen. Wir verwenden verschiedene computergestützte Methoden, darunter Graphen und Deep Learning, um die strukturellen und räumlichen Muster an der Tumorinvasionsfront bei neoadjuvant behandelten Patienten zu bewerten. Wir haben unseren Bereich auf das Verständnis von Transkriptions-Subtypen erweitert, indem wir räumliche Transkriptom- und räumliche Proteinexpressionsanalysen verwenden. Die Mikroumgebung des Tumors mit ihren komplexen stromalen Mustern und dem Immunkontext sind wichtige Schwerpunktthemen. Zu den Mitarbeitern an diesem Projekt gehören M. Rodriguez (IBM Research), M. Anisimova (ZHAW), B. Snijder (ETH Zürich), A. Fischer (HES-SO & UniFribourg) und V. Koelzer (UniZürich). Epithelzellen- und Lymphozytengraphen bei kolorektalem Krebs
Entwicklung von Tools für die computergestützte Diagnose Gruppe Zlobec, Williams Neben der explorativen Analyse von Gewebe entwickelt, testet und validiert unser Team interne, frei und kommerziell verfügbare Algorithmen für den potenziellen Einsatz in der Diagnostik und der Integration in Arbeitsabläufe. Wir entwickeln einen Algorithmus mit modernsten Deep-Learning-Methoden für die Krebstyp-unabhängige Erkennung von Lymphknotenmetastasen. Darüber hinaus optimieren wir dann die Prozesse vom Labor bis zur Datenanalyse, über Visualisierung der Ergebnisse bis hin zur Interaktion unserer Algorithmen mit Patholog*innen und deren Bewertungen und Feedback. Mithilfe des Text-basierten Feedbacks der Patholog*innen und den etablierten Bild-basierten können dann wiederum Vision-Language Deep-Learning Modelle trainiert werden, die von diesem Feedback lernen. Unser Ziel ist es MetAssist weiter zu verbessern, sodass es als präzises Screening-Tool zur Unterstützung von Patholog*innen in der Diagnostik verwendet werden kann. Gemeinsam mit unseren erfahrenen Patholog*innen arbeiten wir an verschiedensten Algorithmen, darunter für PD-L1 (Tereza Losmanova), H. Pylori (Bastian Dislich), CED-Beurteilung (Aart Mookhoek), Tumor Budding – CD8 Auswertung (Heather Dawson) und für Biomarker in Brust (Wiebke Solass) und Pancreas Pathologien (Martin Wartenberg). Computergestützte Analyse von Darmkrebsmetastasen in Lymphknoten
