Eine vollständige Tumorresektion mit freien Schnitträndern (R0-Resektion) ist eine zentrale Voraussetzung für den Therapieerfolg in der Onkochirurgie, etwa bei Kopf-Hals-Tumoren. In der klinischen Praxis wird die Lage der Tumorränder während der Operation bislang jedoch überwiegend subjektiv bestimmt und beruht maßgeblich auf der Erfahrung des chirurgischen Personals. Objektive, bildgestützte Verfahren zur intraoperativen Tumorranderkennung stehen bislang nur eingeschränkt zur Verfügung.

Das Projekt ARBOR verfolgt das Ziel, diesen Prozess durch eine automatisierte, markerfreie und datengetriebene Herangehensweise zu unterstützen. Hierzu wird unbehandeltes und ungeschnittenes Tumorgewebe mithilfe nichtlinearer multimodaler spektroskopischer Bildgebung analysiert. Die dabei gewonnenen Bilddaten liefern struktur- und materialspezifische Informationen des Gewebes, ohne dass Kontrastmittel oder zusätzliche Präparationsschritte erforderlich sind.

Zur objektiven Auswertung dieser Daten werden Methoden des Machine Learning und Deep Learning eingesetzt. Die Bilddatensätze werden im Nachgang mit histologischen Schnitten korreliert und annotiert, um robuste Algorithmen zur automatischen Erkennung von Tumorrändern zu trainieren. Auf dieser Grundlage sollen Gewebeareale zuverlässig klassifiziert und Tumorgrenzen präzise identifiziert werden.

Die so gewonnenen Informationen dienen anschließend der Steuerung eines Femtosekundenlasers, mit dem Tumorgewebe hochpräzise und minimal-invasiv abgetragen werden kann. Langfristig zielt ARBOR auf die Integration dieser Komponenten in ein robotergestütztes chirurgisches System ab. Damit soll eine stärker objektivierte und teilautomatisierte Onkochirurgie ermöglicht werden, die eine verbesserte Resektionsqualität mit einer maximalen Schonung gesunden Gewebes verbindet.

Das Projekt wird von der Deutschen Krebshilfe im Rahmen des Förderschwerpunkts „Operativ-chirurgisch orientierte Verfahren“ gefördert (70116061, 70116281).