Immunologische Diagnostik hämatologischer Neoplasien
Leitung: Univ. Doz. Dr. Michael N. Dworzak
Leukämie und Lymphomdiagnostik, sowie Verlaufsbeobachtung mittels Durchflusszytometrie
Unser Fokus liegt vor allem auf Leukämien und Lymphomen, die etwa 50 % aller Krebsfälle bei Kindern und Jugendlichen ausmachen.
Die Flowzytometrie bietet die Möglichkeit, verschiedenste Zellen, die zuvor mit spezifischen Antikörpern markiert wurden, sicher zu bestimmen und darüber hinaus sogar zu quantifizieren. Dieses Verfahren bildet die Basis unserer täglichen Untersuchungen.
Unsere Ergebnisse fließen in laufende Studien mit ein, um auch in Zukunft federführend in der Behandlung leukämischer Erkrankungen zu sein.
Durch starke internationale Vernetzung versuchen wir die durchflusszytometrische MRD Diagnostik über die Grenzen Österreichs hinaus zu standardisieren. Mittels Schulungen und Aussendung von Rundversuchen geben wir unser langjähriges Wissen weiter, um eine durchgehend gute Qualität dieser Methode zu erreichen.
Diagnostische Schwerpunkte
-
Immunphänptypisierung zur Diagnosestellung bei neuen akuten Leukämien
-
Flow MRD Diagnostik als wichtiger Beitrag zur Therapieverlaufskontrolle
-
Ausschluss akuter Leukämien bei diversen Fragestellungen
Forschungsschwerpunkte
Wir legen besonders Wert auf eine stetige Verbesserung und Weiterentwicklung unserer innovativen diagnostischen Leistungen.
- Standardisierung und Qualitätskontrolle der Diagnostik in einem internationalen Kontext
Die Standardisierung der Immunphänotypisierung sowie der FCM-MRD-Bewertung bei ALL und AML ist notwendig, um eine multizentrische Anwendung der Methoden zu ermöglichen. Wir haben bereits eine umfassende internationale Standardisierung und Validierung der Immunphänotypisierung sowie der MRD-Bestimmung bei ALL durchgeführt und gemeinsame Leitlinien erarbeitet (Referenz 1,2). Derzeit arbeiten wir intensiv an der Standardisierung der AML-MRD-Methodik in einem breiten internationalen Kontext. Wir wenden umfassende Schulungs- und Qualitätskontrollprogramme an, an denen eine große Anzahl internationaler Laboratorien innerhalb des I-BFM-Konsortiums beteiligt ist.
- Durchflusszytometrische Bewertung der minimalen Resterkrankung (FCM-MRD) bei AML
FCM-MRD hat sich als nützlich für eine verfeinerte Identifizierung von AML-Patient:innen mit hohem Rückfallrisiko erwiesen (Referenz 3). Wir initiieren derzeit ein umfassendes und breit angelegtes Standardisierungsprogramm der AML-MRD Methodik in einem großen europäischen Netzwerk. Neben der Standardisierung ist ein weiteres Ziel dieses Netzwerkes die Erfassung und Validierung großer FCM-MRD-Datensätze in prospektiven und multizentrischen klinischen Studien.
- Automatisierung der MRD-Bewertung bei ALL und AML durch machine learning
In enger Zusammenarbeit mit der TU Wien (Computer Vision Lab) haben wir bereits eine Software zur automatischen Erkennung und Quantifizierung von MRD bei ALL entwickelt (Referenz 4). Im Gegensatz zur ALL ist die MRD-Erkennung und -Quantifizierung bei der AML aufgrund der viel komplexeren Pathologie der AML wesentlich komplizierter. Daher würde ein zuverlässiges und objektives Werkzeug für die automatisierte FCM-Analyse eine qualitätsgesicherte AML-MRD Diagnostik ermöglichen. In unserem aktuellen Projekt „MyeFLOW“ verbessern wir die in den Vorprojekten „Autoflow“ und „FlowCluster“ entwickelten Algorithmen, um ein Entscheidungsunterstützungssystem zu entwickeln und dessen Einsatz in der klinischen Praxis der AML zu ermöglichen.
Ausgewählte Referenzen:
- AIEOP-BFM consensus guidelines 2016 for flow cytometric immunophenotyping of Pediatric acute lymphoblastic leukemia – PubMed (nih.gov)
- Standardization of flow cytometric minimal residual disease evaluation in acute lymphoblastic leukemia: Multicentric assessment is feasible – PubMed (nih.gov)
- Flow-Cytometric Monitoring of Minimal Residual Disease in Pediatric Patients With Acute Myeloid Leukemia: Recent Advances and Future Strategies – PubMed (nih.gov)
- Automated Flow Cytometric MRD Assessment in Childhood Acute B- Lymphoblastic Leukemia Using Supervised Machine Learning – PubMed (nih.gov)