Forschende haben ein neuartiges Analyse-System entwickelt, das die Brustkrebs-Diagnostik auf eine neue Stufe hebt. Der Ansatz kombiniert Künstliche Intelligenz (KI) mit modernsten Methoden der Gewebeuntersuchung und eröffnet so neue Möglichkeiten für eine präzisere und nachvollziehbare Diagnostik.
Zwei entscheidende Innovationen
Das System ist gleich in zweifacher Hinsicht einzigartig:
- Integration mehrerer Datenebenen: Zum ersten Mal werden morphologische, molekulare und histologische Informationen in einer gemeinsamen Analyse zusammengeführt.
- Erklärbare KI: Die Ergebnisse werden durch Heatmaps visualisiert. Damit können Ärztinnen und Ärzte exakt nachvollziehen, welche Bildbereiche die KI-Entscheidung beeinflusst haben – ein entscheidender Schritt, um Vertrauen in KI-gestützte Medizin aufzubauen.
Die Forschungsergebnisse wurden in Nature Machine Intelligence veröffentlicht.
Molekulare Charakterisierung und ihre Grenzen
In der Krebsmedizin ist es Standard geworden, Tumorgewebe auch molekular zu charakterisieren – etwa durch Analysen der DNA-Methylierung, Genexpression, somatische Mutationen oder Protein-Profile. Gleichzeitig weiß man, dass die Interaktion der Tumorzellen mit ihrem Gewebeumfeld und dem Immunsystem eine Schlüsselrolle bei der Krankheitsentwicklung spielt.
Allerdings gibt es bisher eine Lücke:
- Mikroskopie liefert eine hohe räumliche Auflösung, aber nur eingeschränkt molekulare Informationen.
- Molekulare Marker wiederum lassen sich meist nur an extrahierten Proben bestimmen und verlieren dadurch ihren räumlichen Bezug.
Hier setzt das neue KI-gestützte Verfahren an und baut die dringend benötigte Brücke zwischen Bildgebungs- und molekularen Daten.
Praxisbeispiel: Immunzellen im Tumorgewebe
„Bei Brustkrebs ist bekannt, dass die Zahl eingewanderter Immunzellen, also Lymphozyten, Einfluss auf die Prognose hat“, erklärt Prof. Dr. Frederick Klauschen (Institut für Pathologie der Charité). „Wir haben jedoch bisher keine direkte Verbindung zwischen hochaufgelösten Gewebedaten und molekularen Analysen herstellen können.“
Das neue System löst dieses Problem: Es erkennt pathologische Veränderungen in mikroskopischen Bildern und erstellt gleichzeitig eine Heatmap, die genau zeigt, welche Bildbereiche die Diagnose beeinflusst haben.
Vorhersage molekularer Merkmale aus Gewebebildern
Die Forschenden gingen noch einen Schritt weiter: Mithilfe von maschinellem Lernen wurde das System so trainiert, dass es molekulare Merkmale – wie DNA-Methylierung, Genexpression oder Protein-Expression – direkt aus histologischen Bildern vorhersagen kann. Damit könnten Gewebeschnitte künftig noch mehr Informationen liefern, ohne dass zusätzliche Analysen notwendig sind.
Ausblick: von der Forschung in die Klinik
Der nächste Schritt ist die klinische Validierung und Zertifizierung. Ziel ist es, das Verfahren in die pathologische Routinediagnostik zu überführen.
Prof. Klauschen ist überzeugt:
„Unsere Methode kann die histopathologische Tumordiagnostik künftig präziser, standardisierter und qualitativ besser machen – ein Gewinn für Ärztinnen, Ärzte und vor allem für die Patientinnen.“
Fotos: istock Ilya Lukichev
