Eingangs-, Entladungs-, Radiologie- und Pathologieberichte und andere klinische Dokumente sind wertvolle Ressourcen, die für Erfolge in der Präzisionsmedizin vewendet werden können. Sie werden aber typischerweise in einem Freitextformat gespeichert, es wird nur wenig Struktur vorgegeben und die Terminologie ist heterogen. Wir implementieren Algorithmen aus den Bereichen Natural Language Processing (NLP), maschinelles Lernen und statistische Analysen , um automatisch relevante Informationen in dititalisierten medizinischen Berichten zu finden und zu extrahieren. Diese Technologien wenden wir am konkreten Beispiel der Extraktion standardisierter Informationen aus radiologischen und pathologischen Berichten zur Tumorklassifikation an.Unser Ziel ist es, computergestützte Methoden so zu entwickeln, dass Konzepte der Systematischen Nomenklatur der Medizin Klinische Begriffe (SNOMED-CT) und die Tumorklassifikation nach dem TNM-System für eine große Sammlung von radiologischen und pathologischen Berichten automatisch abgeleitet werden können.