Zlobec, Digitale Pathologie

Unsere Forschungsgruppe befasst sich mit den morphomolekularen und "spatial" biologische Aspekten von Darmkrebs. Wir nutzen digitale Pathologie und künstliche Intelligenz (KI), um Einblicke in das vielschichtige Phänomen der "Tumor budding" zu gewinnen, einschliesslich der Modulation der Mikroumgebung der Tumork budding nach der Behandlung und der klinischen Auswirkungen der Tumorheterogenität auf das Ergebnis der Patienten.

Aktuelle Forschungsprojekte Zlobec

Hochdimensionaler "spatial" biologischer Ansatz zur Untersuchung der "Tumor budding"

Gruppe Zlobec Zusammen mit Lunaphore Technologies (Innosuisse) etablieren wir ein hochdimensionales Proteinexpressionspanel, um die "Tumor Budding" und deren Mikroumgebung unter nativen und Behandlungsszenarien zu untersuchen. Wir erforschen den "aktiven" Zustand von Tumor Budding und  Beziehung zur epithelial-mesenchymalen Transition (EMT). Vor allem aber wird die klinische Relevanz verschiedener Buddingsphänotypen, stromaler Veränderungen und des Immunzellkontextes unter verschiedenen Bedingungen untersucht, indem wir unsere gut dokumentierten Patientenkollektive und ngTMA® verwenden.  Die Datenanalyse ist von entscheidender Bedeutung, und wir streben die Entwicklung optimierter Pipelines zur Auswertung dieser Multiplex-Fluoreszenzbilder an, wobei wir eigene Deep Learning-Algorithmen sowie kommerziell erhältliche und Open-Source-Software verwenden.

Kolorektaler Krebs bei 20x Vergrösserung: a, Panck (rot) und Vimentin (grün); b, CD20 (rosa) und CD3 (gelb); c, E-Cadherin (grün) und CDX2 (rot). 

Die Stärke von Histopathologie-Bildern einsetzen, um neue Aspekte von Darmkrebs zu entdecken

Gruppe Zlobec Unser Sinergia-Projekt nutzt künstliche Intelligenz, um die Möglichkeiten der histopathologischen Bilder, der Genomik und der Pharmakoskopie zu nutzen, um neue Einblicke in die Biologie des Darmkrebses zu gewinnen und ihre Auswirkungen auf die klinischen Ergebnisse zu verstehen. Wir untersuchen morphomolekulare Beziehungen (z.B. CMS-Klassifikation, Heterogenität), um aus histopathologischen Bildern neue interpretierbare und klinisch wichtige Merkmale 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. Die Mikroumgebung des Tumors mit ihren komplexen stromalen Mustern und dem Immunkontext sind wichtige Schwerpunkte. Zu den Kollaborationspartnern gehören M. Rodriguez (IBM Research), M. Anisimova (ZHAW), B. Snijder (ETH Zürich), A. Fischer (HES-SO & Uni Fribourg) und V. Koelzer (Uni Zürich).

Epithelzellen- und Lymphozytengraphen bei kolorektalem Krebs.

Entwicklung von Tools für die computergestützte Diagnose

Gruppe Zlobec Neben der explorativen Gewebeanalyse entwickelt, testet und validiert unser Team in-house, open-source und kommerziell verfügbare Algorithmen für den potenziellen diagnostischen Einsatz und die Integration in Arbeitsabläufe. Derzeit führen wir eine vergleichende Studie zu den Auswirkungen von Scannern und der Leistung verschiedener Software für die Ki-67-Erkennung und -Quantifizierung durch. Wir setzen Deep Learning-Methoden für die Segmentierung und Metastasenerkennung in Lymphknoten ein und optimieren Labor- und Datenanalyseprozesse, z. B. vom Scannen über die Erstellung von "Next-Generation Tissue Microarrays®" (www.ngtma.com) bis hin zur visuellen Darstellung der Ergebnisse und Analyse. Wir nutzen Graphen und geometrisches Deep Learning, um mehr über Tumorknospung und Lymphozyten zu erfahren. Mit dem International Budding Consortium entwickeln wir Algorithmen zur Erkennung von Hotspots und zur Quantifizierung von Tumorknospung in frühen pT1-Krebsstadien.

Computergestützte Analyse von Darmkrebsmetastasen in Lymphknoten.