PRIMAGE schlägt eine cloudbasierte Plattform zur Unterstützung von Entscheidungsprozessen im klinischen Management maligner solider Tumoren vor. Sie bietet prädiktive Werkzeuge zur Unterstützung von Diagnose, Prognose, Therapiewahl und Behandlungsnachverfolgung. Grundlage dafür sind neuartige bildgebende Biomarker, In-silico-Simulationen des Tumorwachstums, fortgeschrittene Visualisierung von Vorhersagen mit gewichteten Vertrauensbewertungen sowie eine auf Machine Learning basierende Übertragung dieses Wissens in Prädiktoren für die wichtigsten krankheitsspezifischen klinischen Endpunkte. PRIMAGE implementiert ein hybrides Cloud-Modell, das sowohl offene öffentliche Clouds (basierend auf Diensten der EOSC) als auch private Clouds nutzt. Dadurch wird eine Nutzung durch die wissenschaftliche Gemeinschaft ermöglicht (insbesondere durch die Wiederverwendung anonymisierter und kuratierter klinischer Daten im Sinne von Open Science) und gleichzeitig eine zukünftige kommerzielle Nutzung unterstützt. Die vorgeschlagenen Dateninfrastrukturen, bildgebenden Biomarker und Modelle für die In-silico-Medizinforschung werden im Anwendungskontext zweier pädiatrischer Krebsarten validiert: Neuroblastom (NB) – der häufigste solide Krebs im frühen Kindesalter – sowie Diffuse Intrinsische Ponsgliome (DIPG), die häufigste Ursache tumorbedingter Todesfälle im Gehirn bei Kindern. Diese beiden Krebsarten sind besonders geeignete Validierungsfälle, da sie einerseits repräsentativ für Krebserkrankungen sind und andererseits eine hohe gesellschaftliche Relevanz besitzen, da sie die verletzlichsten und meistgeliebten Familienmitglieder betreffen. Die European Society for Paediatric Oncology, zwei Imaging-Biobanken sowie drei der bedeutendsten europäischen pädiatrischen Onkologiezentren sind Partner dieses Projekts. Sie stellen retrospektive klinische Datenregister (Bildgebung, klinische Daten, molekulare Daten und genetische Informationen) für PRIMAGE bereit. Diese werden zum Training von Machine-Learning-Algorithmen sowie zur Prüfung der Leistungsfähigkeit der In-silico-Werkzeuge genutzt. Darüber hinaus werden Lösungen entwickelt und validiert, um die Prozesse der Pseudonymisierung, Extraktion, Strukturierung, Qualitätskontrolle und Speicherung von Daten zu vereinfachen und abzusichern. Diese Lösungen sollen auch für zukünftige (prospektive) Daten verwendet werden können und damit zu gemeinsamen europäischen Dateninfrastrukturen beitragen.

Forschungsfragen

• Entwicklung neuartiger Visual-Analytics-Methoden zur Visualisierung und Exploration großer Datenbanken unter Verwendung fortgeschrittener hochdimensionaler Datenanalyse- und Visualisierungstechniken.
• Visualisierung relevanter klinischer Daten und Modellergebnisse, um die Nutzung großer Datenbanken und komplexer Modelle zur Unterstützung klinischer Entscheidungen zu erleichtern und damit die Benutzerfreundlichkeit der Plattform zu verbessern.
• Validierung neuer Visualisierungswerkzeuge mit Potenzial zur übergreifenden Nutzung in vielen Entscheidungsunterstützungssystemen, die Big Data und Bioinformatik einsetzen.