Die Nephropathologie ist essentiell für die Diagnose von Nierenkrankheiten und ein äußerst wichtiges Tool für experimentelle, präklinische Nierenstudien. Fortschritte in der digitalen Pathologie, d.h. die digitalisierung von histologischen Schnitten, und die Anwendung von künstlicher Intelligenz, insbesondere Deep Learning, haben hier neue Forschungsperspektiven eröffnet mit dem Potenzial die Gewebediagnostik in eine quantitative computergestützte Pathologie zu transformieren. Unser Ziel ist die Entwicklung und Anwendung von Deep Learning sowohl in der klinischen als auch in der experimentellen Nephropathologie. Wir haben eine hochmoderne virtuelle Pathologieplattform für Hochdurchsatz von Hellfeld-, Fluoreszenz- und multispektraler Bildgebung sowie eine zentralisierte, Server-basierte Speicherung und Analyse digitalisierter histologischer Präparate eingerichtet. Diese Plattform wird durch unsere sich in hohem Maße ergänzenden, interdisziplinären Fachkenntnisse unterstützt und die Entwicklung der digitalen Pathologie erleichtern. Unser Ziel ist es, Deep Learning Ansätze zu entwickeln, um verschiedene Nierenkompartimente automatisiert zu segmentieren und zu klassifizieren, was eine Unterscheidung verschiedener Tierarten, verschiedener Krankheitsmodelle und menschlicher Nierenerkrankungen ermöglicht. Wir werden uns dabei auch verschiedenen Herausforderungen stellen, die in der digitalen Pathologie vorherrschen, z.B. des Mangels manuell annotierter Daten. Darüber hinaus werden wir umfassende Analysen in Form von Pathomics durchführen, um unser Verständnis der Histopathologie der Niere zu vertiefen. Dies erfolgt durch eine groß angelegte Extraktion quantitativer Bildmerkmale, die bisher unerkannte morphologische Merkmale in jedem Nierenkompartiment für verschiedene Bereiche erkennen könnten. Als Proof-of-Concept werden wir unsere trainierten Netze nutzen, um Pathomics Daten aus unseren Experimente zu generieren, in denen wir die Rolle der Desmosomen als Biomarker für Nierenerkrankungen untersuchen. Darüber hinaus werden wir unsere Expertise in der Nephropathologie und Bildanalyse für das gesamte Konsortium zur Verfügung stellen, wodurch sich die Vergleichbarkeit der im Konsortium generierten Daten stark verbessert und gleichzeitig die Datensätze für unsere Deep Learning Ansätze wesentlich erweitert werden. Zusammenfassend sind wir bestrebt, Ansätze für Deep Learning und Pathomics zu entwickeln und anzuwenden, um den Übergang zu einen innovativen quantitativen Pathologiediagnostik bzw. bis hin zu einer personalisierten präzisions Pathologie zu erleichtern.
