Intraoperative konfocale Laserscanningmikroskopie and künstliche Intelligenz für optimierte chirurgische Exzision von Basalzellcarcinomen

• Antragstellerinnen / Antragsteller: Professorin Dr. Daniela Hartmann, Ph.D.; Privatdozent Dr. Tobias Lasser
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik ; Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 536381342

Ziel dieses Antrages ist die Verbesserung der chirurgischen Therapie von Basalzellkarzinomen (BCC) durch die Kombination von intraoperativer konfokaler Laser-Scanning-Mikroskopie (CLSM) mit Algorithmen der künstlichen Intelligenz (KI). Durch den Einsatz von KI-gestützter CLSM wird die Genauigkeit und Effizienz der histologischen Analyse während des chirurgischen Eingriffs verbessert, was wiederum zu besseren Ergebnissen für den Patienten führt. Die Ex-vivo-CLSM ist eine nicht-invasive bildgebende Technik, die eine direkte histologische Untersuchung von Hautgewebe im Operationssaal ermöglicht, ohne komplexe Probenvorbereitung, aggressive Chemikalien oder Dermatopathologinnen zu benötigen. Geschulte Chirurginnen können die CLSM-Bilder schnell auswerten, was besonders bei gewebeschonenden Operationen im Gesichts- und Halsbereich hilfreich ist. Zu diesen Techniken gehören die mikrographisch kontrollierte Chirurgie und die Mohs Chirurgie. Bei der mikrographisch kontrollierten Chirurgie wird das entfernte Gewebe zur Beurteilung an ein histologisches Labor geschickt, um die vollständige Entfernung des Tumors sicherzustellen. Dies erfordert oft mehrere Operationen. Bei der Mohs Chirurgie hingegen wird das entfernte Gewebe sofort durch speziell ausgebildete Chirurg*innen im Operationssaal analysiert. Durch die Integration von KI-basierten Algorithmen in die CLSM Bildgebung zielt dieser Antrag darauf ab, die Bildanalyse zu verbessern, insbesondere bei gewebeschonenden Operationen, Tumor- und Entzündungszellen genau zu identifizieren und die zeitaufwändige Interpretation durch Dermatopatholog*innen zu reduzieren. Dadurch kann auch das Ausmaß invasiver Operationen verringert werden, da die Chirurg*innen die Behandlung gezielt auf den betroffenen Bereich ausrichten können, während gesundes Gewebe erhalten bleibt. Ein weiterer Vorteil besteht in der genauen Identifizierung von Entzündungs- und Tumorzellen. So kann die Behandlung direkt auf den betroffenen Bereich ausgerichtet werden und gesundes Gewebe bleibt erhalten. Außerdem kann die chirurgische Behandlung der Patient*innen schneller abgeschlossen werden, da die Operationen nur in einer Sitzung durchgeführt werden können. Somit wird die Wundheilung gefördert sowie das Risiko von Komplikationen, wie Wundinfektionen, verringert. Dies würde die Patientenzufriedenheit und die Gesamtergebnisse verbessern, gewebeschonende Operationen ermöglichen und eine optimale Wundheilung unterstützen. Zu den Zielen des Projekts gehört das Training von KI-Algorithmen zur Unterscheidung von Tumor- und Entzündungsgewebe anhand von Ex-vivo-CLSM-Daten und deren Verifizierung durch die Histologie. Die trainierten Algorithmen werden dann bei BCC-Operationen unter Verwendung von intraoperativem CLSM eingesetzt. Durch die Integration von KI in den chirurgischen Prozess kann Echtzeit-Feedback und eine automatisierte Bildanalyse erhalten werden, was zu einem gezielten und effizienten Ansatz bei der Gewebeanalyse führt.

• DFG-Verfahren: Sachbeihilfen