Transplant.KI – Augmentierte Diagnostik von Nierentransplantatbiopsien mittels Künstlicher Intelligenz

Projektbeschreibung

Nierentransplantationen sind die beste therapeutische Option für Patientinnen und Patienten mit chronischen Nierenerkrankungen im Endstadium. Trotz Therapie kann ein Versagen oder eine Abstoßung zum Verlust des transplantierten Organs führen. Histopathologische Untersuchungen von Nierentransplantatbiopsien, also spezielle mikroskopische Verfahren, sind essentiell, um Ursachen eines Transplantatversagens oder einer Abstoßung zu diagnostizieren und entsprechend zu behandeln. Dieser komplexe Bereich der Pathologie ist für die unmittelbare Patientenversorgung sehr bedeutsam, doch benötigen diese Untersuchungen eine hohe Expertise und unterliegen einer subjektiven Einschätzung.

Der Einsatz von Künstlicher Intelligenz (KI) könnte dem entgegenwirken und die histopathologische Diagnostik von Nierentransplantatbiopsien durch ein hohes Maß an Reproduzierbarkeit und Präzision optimieren. Ziele des Projekts sind die Entwicklung, Validierung und Prüfung der Effektivität des Einsatzes von KI-Algorithmen an Nierentransplantatbiopsien. Hierfür werden die Forschenden retrospektiv eine große Anzahl von Biopsien identifizieren, digitalisieren und in einer Datenbank zusammenführen, um dann die KI-Algorithmen zu entwickeln. Zur Validierung werden die KI-Algorithmen an Biopsien aus der täglichen Praxis in den beteiligten Zentren geprüft. Die KI-Algorithmen können u. a. durch Visualisierung und Hervorhebung von diagnostisch relevanten Arealen eine schnelle, reproduzierbare und objektive Bewertung von Pathologinnen und Pathologen unterstützen und die nachfolgende Behandlung, Versorgung und das Therapieergebnis der Patientinnen und Patienten verbessern. Das Projekt wird für drei Jahre mit insgesamt ca. 1,5 Millionen Euro gefördert.

Im Erfolgsfall können die im Projekt entwickelten KI-Algorithmen zu einer zeitsparenden, reproduzierbaren und präzisen nephropathologischen Diagnostik bei Nierentransplantaten führen und dadurch die Therapie und Versorgung von Patientinnen und Patienten verbessern.

Konsortialpartner

Friedrich-Alexander-Universität Erlangen-Nürnberg, Technische Universität Dresden