Im Rahmen eines DFG-geförderten Forschungsprojektes soll die automatisierte Erkennung und Klassifizierung von Tumorzellen in Liquorproben mittels Deep-Learning-Modellen optimiert werden. Ziel ist es, einen vollständig digitalen Workflow und einen klinisch einsetzbaren Algorithmus zu entwickeln, um die derzeitige Praxis der manuellen Zelldifferenzierung von Liquorproben im Mikroskop grundlegend zu verändern. Die Dissertation soll auf Vorarbeiten (PMID: 36519297; https://github.com/pseegerer/csf_cell_classification ) aufbauen und mit Hilfe eines neuen, multizentrischen Datensets die Zellsegmentierung, die Erkennung von Krebszellen und die Vorhersage des Tumorursprungs zu verbessern. Datenvorbereitung und Training von Convolutional Neural Networks zur Verbesserung der Erkennung von Krebszellen und der Vorhersage ihres Ursprungs Vergleich und Auswahl von Zellsegmentierungsalgorithmen und deren Optimierung für Liquorproben Entwicklung interaktiver Visualisierungsmöglichkeiten und neuer Befundformate für die Diagnostik und kollaborative Forschungsprojekte Implementierung von erklärbaren KI-Methoden und Confidence Scores zur besseren Interpretierbarkeit der Klassifikationsergebnisse für diagnostische Zwecke Etablierung eines diagnostischen Workflows für die Deep Learning basierte Analyse von Liquorzellen für eine einjährige klinische Evaluationsphase parallel zur Routinediagnostik Veröffentlichung der Ergebnisse in wissenschaftlichen Zeitschriften Präsentation und Diskussion der Forschungsergebnisse auf Konferenzen im In- und Ausland