Forschungsthemen

Erforschung seltener Krebsarten

In Rahmen des FFG COIN-Projektes VISIOMICS wurde von VRVis in Kooperation mit der St. Anna Kinderkrebsforschung und weiteren Partner in Wien eine webbasierte Plattform zur integrierten Exploration von Multi-Omics- und klinischen Daten geschaffen, die visuelle und automatische Datenanalyse vereint. Ein Ziel in der Forschung ist die Klassifizierung von Tumoren sowie die patientenspezifische Risikostratifizierung und Überlebensvorhersage. Eine vollständige Integration multiskalarer genomweiter (Multi-Omics-)Datensätze, wie zelluläre Merkmale, Genomik, Genexpression und/oder epigenetischer Daten mit klinischen Daten, unterstützt die Erforschung von Krebsarten im Patientenkontext, und kann so helfen, die individuelle Krebsdiagnostik gerade bei seltenen Krebsarten zu verbessern. Während Machine und Deep Learning-Ansätze auf einen größeren Datenbestand angewiesen sind, um Modelle zu lernen, stellt die von VRVis entwickelte Plattform zur visuellen Datenexploration gerade für seltene Krebsarten, für die jeweils nur wenige Datensätze vorhanden sind, für die Forschenden eine Alternative dar, um komplexe Zusammenhänge zu analysieren und neue Hypothesen zur entwickeln.

Verbesserung statistischer Aussagekraft von Langzeitstudien

Medizinische Langzeituntersuchungen beschäftigen sich oft mit Zusammenhängen von Risikofaktoren und dem Auftreten von Krankheiten. Dabei fallen große Mengen an Daten an, zugleich ist aber auch das Fehlen von Daten eine der großen Herausforderungen. Der Ausfall von Patientinnen und Patienten und nicht erfasste Werte zählen zu den größten statistischen Problemen bei der Auswertung von Langzeitstudien. Nicht korrekt behandelt, verursachen sie ein Bias in der Datenauswertung, reduzieren so die statistische Aussagekraft und damit den Wert der Ergebnisse. Mit VIVID wurde gemeinsam mit Epidemiologen der Universität Greifswald eine Visual Analytics-Applikation entwickelt, die es ermöglicht, in klinischen Kohortenstudien fehlende Werte aufzuspüren und deren Charakter zu bestimmen. VIVID integriert auch Methoden, um fehlende Daten zu ersetzen und deren Validität zu beurteilen. VIVID wurde von unserem Wissenschaftspartner der Universität Magdeburg unter Mitwirkung von VRVis entwickelt.

  • S. Alemzadeh, U. Niemann, T. Ittermann, H. Völzke, D. Schneider, M. Spiliopoulou, K. Bühler, and B. Preim, “Visual Analysis of Missing Values in Longitudinal Cohort Study Data,” Computer Graphics Forum, vol. 45, no. 3, pp. 1–13, May 2019.