Kreative Forschungsideen für ungenutzte Potenziale

In der Krebsforschung entstehen täglich große Mengen an Daten und IT-Tools. Doch viele dieser digitalen Ressourcen werden bislang ausschließlich für ihren ursprünglichen Zweck genutzt. Die neuen Projekte setzen genau hier an: Sie entwickeln innovative Ansätze, um bestehende Datensätze und Anwendungen weiterzuverwenden – etwa durch neue Auswertungsmethoden, optimierte Algorithmen oder benutzerfreundlichere Tools.

Förderung für praxisnahe Lösungen

Das Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) unterstützt die Projekte mit jeweils bis zu 50.000 Euro für eine Laufzeit von sechs Monaten; 30 Projekte erhalten die Förderung. Die Maßnahme ist Teil der Nationalen Dekade gegen Krebs und richtet sich insbesondere an junge Forschende. Ein bewusst niedrigschwelliges Antragsverfahren hat erneut viele Wissenschaftlerinnen und Wissenschaftler in frühen Karrierestufen zur Bewerbung motiviert.

Vom Konzept zur Anwendung

Ein zentrales Anliegen von „DataXperiment“ ist der Transfer in die Praxis: Bereits bei der Projektplanung sollen mögliche Einsatzszenarien mitgedacht werden – etwa in der Diagnostik, Therapie oder Prävention. So wird sichergestellt, dass die Forschungsergebnisse möglichst schnell dort ankommen, wo sie gebraucht werden.

Einblicke in die neuen Projekte

Die neuen Projekte zeigen die Bandbreite von „DataXperiment“: Sie reichen von KI-gestützter Diagnostik über personalisierte Risikomodelle bis hin zu digitalen Tools für die Versorgungspraxis.

Hier stellen wir Ihnen die Projekte vor:

TRACK (Technische Universität Dresden)

TRACK nutzt KI, um auf Basis vorhandener Daten Tools zur automatisierten Erkennung minimaler Resterkrankung (MRD) bei akuter myeloischer Leukämie zu entwickeln. Ziel ist es, zeitaufwändige manuelle Analysen durch einen reproduzierbaren, maschinellen Workflow zu ergänzen und Therapieentscheidung zu verbessern. 

PROVIS (Universität Trier)

PROVIS macht komplexe Krebsbehandlungen sichtbar: Mithilfe von KI und Krebsregisterdaten werden reale Versorgungspfade analysiert und als interaktive Patient Journeys dargestellt. So lassen sich Unterschiede und Verbesserungsmöglichkeiten erkennen – für Forschung, Versorgung und Politik. 

PANTHER (Christian-Albrechts-Universität zu Kiel)

Therapien gegen Krebs können starke Nebenwirkungen verursachen – oft abhängig von individuellen Faktoren. PANTHER entwickelt auf Basis von klinischen Daten und Patientenberichten KI-Modelle, die solche Risiken früh erkennen und eine gezielte, schonendere Behandlung ermöglichen. 

OSSIUM (Technische Universität München)

Fehldiagnosen bei Knochenläsionen können lebensgefährlich sein. OSSIUM prüft, ob sich mithilfe von KI und multimodalen Datenquellen ein zuverlässiges Screening für Knochensarkome entwickeln lässt – als Grundlage für ein automatisiertes Diagnoseverfahren. 

HYBRID-ONCO (Charité Berlin)

HYBRID-ONCO entwickelt ein intelligentes Unterstützungssystem für Tumorkonferenzen, das Ärztinnen und Ärzte bei Therapieentscheidungen entlasten soll. Dafür werden KI-Technologien wie maschinelles Lernen, große Sprachmodelle und regelbasierte Systeme kombiniert, um medizinische Texte automatisch auszuwerten und leitliniengerechte Empfehlungen zu geben. 

CASCADE-IR (Ludwig-Maximilians-Universität München)

Begleiterkrankungen wie Diabetes oder COPD können die Genauigkeit von Bluttests zur Früherkennung von Krebs beeinträchtigen. CASCADE-IR untersucht, wie sich solche Einflüsse auf das Infrarot-Molekulare Fingerprinting auswirken, um die Methode mithilfe von KI robuster und zuverlässiger für die minimalinvasive Tumordiagnostik zu machen.

AID4HER2 (Universität Leipzig)

AID4HER2 erforscht, ob sich der HER2-Status bei Magenkrebs allein anhand von Gewebeschnitten bestimmen lässt, die mit der gängigen Hämatoxylin-Eosin-Färbung (H&E) eingefärbt wurden. Mithilfe von Deep Learning soll so eine schnellere, kostengünstigere und personalisierte Diagnostik ermöglicht werden – ganz ohne zusätzliche Spezialtests.

GLIO-MAP (Ludwig-Maximilians-Universität München)

Im Projekt GLIO-MAP wird eine neue Methode entwickelt, die Ärztinnen und Ärzten hilft, bösartige Hirntumoren – sogenannte Gliome – möglichst vollständig zu entfernen, ohne gesundes Gehirngewebe unnötig zu beschädigen. GLIO-MAP kombiniert verschiedene moderne Bildgebungsverfahren, um eine individuelle Karte des Gehirns zu erstellen, die nicht nur den sichtbaren Tumor, sondern auch die betroffenen Faserbahnen zeigt. Mit ihrer Hilfe kann die OP besser geplant und Tumorgewebe gezielter entfernt werden.

COMPASS – (Technische Universität München)

Im Projekt COMPASS wird untersucht, wie gut Künstliche Intelligenz medizinische Befunde aus der Radiologie versteht. Dabei werden echte Befundtexte verwendet, bei denen wichtige Informationen wie Tumorart, Größe oder Lage speziell markiert wurden, damit die KI lernen kann, diese Daten richtig zu erkennen. Ziel ist es herauszufinden, welche KI-Modelle zuverlässig in der Krebsdiagnostik und Strahlenmedizin eingesetzt werden können.

mTOR-Companion – (Universität Heidelberg)

Im Projekt mTOR-Companion wird ein Verfahren entwickelt, das mithilfe Künstlicher Intelligenz digitale Gewebeaufnahmen von Glioblastomen – einer besonders aggressiven Form von Hirntumoren – automatisch auswertet. Die Auswertung soll einheitlicher und zuverlässiger werden, um Therapien gezielter planen zu können und Ärzteteams zu entlasten.

SHAPE-O – (Universitätsmedizin der Johannes Gutenberg-Universität Mainz)

Im Projekt SHAPE-O wird das bestehende Tool REDPath erweitert, das automatisch Daten zu Tumorerkrankungen verarbeitet. Das Tool visualisiert, wo in Deutschland Patientinnen Patienten behandelt werden und wo es mögliche Versorgungslücken gibt.

SPINAID – (Universität Heidelberg)

Im Projekt SPINAID wird ein KI-gestütztes Verfahren entwickelt, das Tumoren an der Wirbelsäule automatisch in MRT- und CT-Bildern erkennt und abgrenzt. Bisher mussten Ärztinnen und Ärzte diese Grenzen manuell einzeichnen, was zeitaufwendig ist und unterschiedlich ausfallen kann. Das neue Tool soll die Nachsorge verbessern, die Beurteilung präziser machen und Entscheidungen über Operationen oder Strahlentherapie erleichtern.

CHIP-MAPS (Universität zu Lübeck)

Im Projekt CHIP‑MAPS prüfen Forschende, ob Veränderungen in Blutstammzellen als Biomarker helfen können, Prognose und Therapie bei Krebs besser einzuschätzen. Ziel von CHIP‑MAPS ist, den sogenannten CHIP‑Status künftig standardmäßig in Tumorkonferenzen zu berücksichtigen und in bestehende Computersysteme zu integrieren, um so die personalisierte Krebsbehandlung zu verbessern.

GEMSOC (Medizinische Hochschule Hannover)

GEM‑SOC analysiert Genexpressionsdaten von Patientinnen mit Eierstockkrebs, um neue molekulare und genetische Faktoren zu finden, die das Überleben von Betroffenen beeinflussen. GEM‑SOC liefert die Vorarbeit für künftige Biomarker‑Studien und verbesserte Therapien.

ICONS-GP (Charité Berlin)

Mithilfe der Konnektomik – also der Kartierung und Analyse der Verbindungen zwischen Nervenzellen und Hirnregionen – untersuchen Forschende, wie sich Hirntumore auf die Netzwerkverbindungen im Gehirn auswirken und welche Folgen dies für Denken, Gedächtnis und Lebensqualität hat. Ziel ist, Patientinnen und Patienten mit erhöhtem Risiko für neurokognitive Verschlechterungen früh zu erkennen und so Behandlungen besser zu planen.

IndMargins (Universität des Saarlandes)

Bei mehreren aufeinanderfolgenden Sitzungen der Strahlentherapie kann es durch Tischbewegungen, Bildgebungs‑ und Lagerungsungenauigkeiten zu Über- oder Unterdosierungen kommen. Das Projekt Ind Margins entwickelt ein Machine-Learning-Modell, das solche Positionsabweichungen vorhersagt, um Fehl‑ und Mehrbestrahlungen zu reduzieren und gesundes Gewebe besser zu schützen.

LUNG-MAP (Medizinische Hochschule Hannover)

LUNG‑MAP wertet klinische, bildgebende und molekulare Daten aus vielen Studien aus, um tumorspezifische Netzwerke und zentrale Signalkaskaden zu finden, die das Fortschreiten von Lungenkrebs steuern. Darauf aufbauend wird ein Therapiealgorithmus für die personalisierte Präzisionsonkologie bei Lungenkrebspatientinnen und -patienten ohne Treibermutationen entwickelt, damit Behandlungen besser an die individuelle Tumorbiologie angepasst werden können.

MICRATE (Hochschule Darmstadt)

Im Projekt MICRATE werden Röntgenbilder, Gewebeschnitte und andere klinische Befunde mit KI‑Methoden zusammen analysiert, um die Einordnung von Krebs‑Subtypen zu verbessern, die bislang häufig nur auf einer einzigen Datenquelle beruhen. Zunächst wird das Verfahren bei wiederauftretendem Prostatakrebs getestet; im nächsten Schritt prüfen die Forschenden die Übertragbarkeit auf Brustkrebs.

MODEL-MM (TU München)

Das Projekt MODEL‑MM wertet vorhandene Körperbilddaten mit KI‑gestützter Analyse aus, um praxistaugliche Vorhersagemodelle für das multiple Myelom zu prüfen und ein Risikomodell für Patientinnen und Patienten zu entwickeln.

MULTIMODAL (FAU Erlangen-Nürnberg)

MULTIMODAL testet eine webbasierte grafische Oberfläche, die Bild‑ und Textdaten zu Kopf‑Hals‑Tumoren zusammenführt und anschaulich visualisiert. Ziel ist, vergleichbare Krankheitsverläufe schneller zu erkennen, damit bei der Behandlungsplanung frühere Therapieerfolge oder Therapieversagen besser berücksichtigt werden können.

PCO-FOCUS (Universität Düsseldorf)

Im Projekt PCO-FOCUS wird eine KI-gestützte Webanwendung entwickelt, die Nebenwirkungen von Prostatakrebs-Behandlungen wie Inkontinenz und sexuelle Dysfunktion klar und verständlich darstellt. Das Ziel besteht darin, Betroffenen und Behandelnden die Entscheidung für die passende Therapie zu erleichtern.

PREPRAD (Medizinische Hochschule Hannover)

PREPRAD schafft die Grundlage für eine nationale Referenzradiologie für kindliche Krebserkrankungen des lymphatischen Systems in Deutschland: Mithilfe von Künstlicher Intelligenz werden Befundungsregeln und Bildauswertungen vereinfacht und optimiert. In speziell entwickelte Schulungsmodulen sollen im Anschluss die Grundzüge der standardisierten Befundung in der Referenzradiologie vermittelt werden.

PREVENT-ICANS (Charité Berlin)

Im Projekt PREVENT‑ICANS wird untersucht, wie CAR‑T‑Krebsbehandlungen sicherer gemacht werden können. Mithilfe erklärbarer KI werden aus Gehirnbildern Biomarker für Hirngesundheit, Hirnalter und Gefäßveränderungen erkannt. Daraus entsteht ein Vorhersagemodell, das für einzelne Patientinnen und Patienten das Risiko von Komplikationen abschätzt und so individuellere und sicherere Behandlungsentscheidungen ermöglichen soll.

PRIME-NOW (Universitätsklinikum Bonn)

Mithilfe von Rechenanalysen untersucht das Projekt PRIME NOW, wie sich der Zeitraum zwischen Krebsdiagnose und Beginn einer Immuntherapie auf deren Wirkung auswirkt. Das Ziel besteht darin, zu klären, ob ein früherer Therapiebeginn zu besseren Behandlungsergebnissen führt. Auf dieser Grundlage sollen Empfehlungen für künftige Studien, Leitlinien und die klinische Versorgung abgeleitet werden.

SNV-CHEM (TU Dresden)

SNV‑CHEM erforscht, an welchen Stellen im Erbgut therapiebedingte Mutationen bei Krebsbehandlungen auftreten. Solche Veränderungen können langfristig Nebenwirkungen, Folgekrebs oder Resistenzen begünstigen. Mit Hilfe eines kleinen Datensatzes sollen erste Erkenntnisse gewonnen werden, um das Risiko einer Schädigung der DNA besser einzuschätzen und Tumorentwicklungen zu verstehen.

TATIANA (Universitätsmedizin Mainz)

Im Projekt TATIANA wird erforscht, wie große Sprachmodelle (LLMs) Freitexte aus der klinischen Dokumentation zu Krebsbehandlungen automatisch in strukturierte Daten überführen können. Ziel ist, die Tumordokumentation langfristig zu automatisieren, das Klinikpersonal von manueller Erfassung zu entlasten und die Datenqualität für Forschung und Versorgung zu verbessern.

VICTOR (Universität Heidelberg)

Im Projekt VICTOR wird eine benutzerfreundliche, visuelle Programmieroberfläche für medizinisches Personal entwickelt. Mit dieser können Ärztinnen und Ärzte datenbasierte Analysen auf der Bildanalyseplattform „Kaapana“ auch ohne Programmierkenntnisse eigenständig durchführen. Das soll die datengetriebene Forschung in der Onkologie erleichtern und Innovationsprozesse im Klinikalltag beschleunigen.

AIM-HistoMRI (Technische Universität München)

Im Projekt AIM-HistoMRI entwickelt ein Team einen KI-gestützten Algorithmus, der während der Operation anhand von Schnellschnitten und MRT-Bildern erkennt, ob ein bösartiger Hirntumor (Gliom) eine IDH-Genmutation trägt. Diese Mutation zeigt, wie aggressiv der Tumor ist und wie radikal dementsprechend operiert werden sollte. Bisher erfolgt die Analyse erst nach der OP im Labor und kann bis zu einer Woche dauern. AIM-HistoMRI soll Chirurginnen und Chirurgen künftig schon während des Eingriffs ermöglichen, ihr Vorgehen individuell anzupassen.

BOND (Universitätsklinikum Hamburg-Eppendorf)

Bei Leukämien und anderen blutbildenden Krebserkrankungen kann eine Stammzelltransplantation lebensrettend sein. Zur Vorbereitung muss das kranke Knochenmark entfernt werden – zum Beispiel mit dem Medikament Busulfan. Doch jeder Mensch verarbeitet Busulfan anders. Die Standarddosis passt nur bei wenigen. Ist sie zu hoch, gibt es schwere Nebenwirkungen. Ist sie zu niedrig, wirkt die Behandlung nicht richtig. Das Projekt BOND will helfen, für jede Person die passende Dosis zu finden, mithilfe von Rechenmodellen und wenigen Blutentnahmen.

iMED-RISK (Universität Tübingen)

Das Projekt iMED-RISK will die Behandlung des Medulloblastoms – dem häufigsten bösartigen Hirntumor bei Kindern – wirksamer und verträglicher machen. Da besonders junge Patientinnen und Patienten oft unter schweren Nebenwirkungen leiden, setzt iMED-RISK auf eine individuelle Risikoabschätzung. Dafür entwickeln die Forschenden ein Rechenmodell, das genetische, epigenetische Gewebe- und klinische Daten kombiniert. Dieses soll vorhersagen, welches Kind schonender behandelt werden kann und welches eine intensivere Therapie benötigt.