Ein Deep-Learning-System der University of Edinburgh kann nicht-kleinzellige Lungenkarzinome direkt aus ungefärbten Gewebeproben klassifizieren – und erzeugt dabei gleichzeitig synthetische Färbungen, die für Pathologen lesbar sind. Das könnte diagnostische Abläufe in der Pathologie grundlegend verändern.
KI klassifiziert Lungenkrebs ohne chemische Färbemittel
Forschern der University of Edinburgh ist es gelungen, nicht-kleinzellige Lungenkarzinome mithilfe eines Deep-Learning-Modells direkt aus ungefärbten Gewebeproben zu klassifizieren. Die Studie, erschienen in npj Digital Medicine, kombiniert automatische Subtypisierung mit virtueller immunhistochemischer Färbung – und könnte pathologische Diagnoseabläufe erheblich beschleunigen.
Hintergrund: Warum Färbemittel ein Flaschenhals sind
Die histopathologische Diagnose von Lungenkrebs erfordert heute standardmäßig die Immunhistochemie (IHC): Gewebeproben werden mit spezifischen Antikörpern gefärbt, um Tumorsubtypen wie Adenokarzinom oder Plattenepithelkarzinom zu unterscheiden. Dieser Prozess ist zeitaufwendig, kostenintensiv und setzt spezialisierte Laborinfrastruktur voraus.
In ressourcenschwachen Versorgungsumgebungen oder bei kleinen Biopsien steht oft nicht genug Material für mehrere Färberunden zur Verfügung.
Das Modell: Klassifikation und virtuelle Färbung in einem
Das von Zhenya Zang, David Dorward und Kollegen entwickelte System arbeitet mit sogenannten label-free Gewebeaufnahmen – also ungefärbten Präparaten, die etwa durch Multiphotonen-Mikroskopie oder andere optische Verfahren gewonnen werden. Ein Deep-Classification-Modell analysiert diese Rohdaten und ordnet das Gewebe einem Subtyp zu. Parallel erzeugt ein zweites Netzwerk eine synthetische IHC-Darstellung, die optisch einer echten Färbung entspricht und für Pathologen interpretierbar bleibt.
Die Kombination beider Komponenten adressiert ein praktisches Problem:
Reine Klassifikationsmodelle liefern zwar eine Diagnose, bieten Ärzten aber keine visuelle Nachvollziehbarkeit. Die virtuelle Färbung schließt diese Lücke, indem sie die maschinelle Entscheidung in eine für Kliniker vertraute Darstellung übersetzt.
Leistungsdaten und Validierung
Laut Studienpublikation erreicht das System bei der Unterscheidung der beiden häufigsten nicht-kleinzelligen Subtypen eine hohe Klassifikationsgenauigkeit auf validierten Gewebedatensätzen. Die Autoren betonen, dass die virtuelle IHC-Darstellung morphologische Merkmale korrekt abbildet, die mit echten Färbungen übereinstimmen.
Eine externe Multicenter-Validierung steht noch aus – die Autoren selbst nennen dies als nächsten notwendigen Schritt vor einem klinischen Einsatz.
Einordnung: Wo der Ansatz an Grenzen stößt
Der Einsatz optischer label-free Mikroskopietechniken wie der Multiphotonen-Bildgebung ist bislang nicht in der Routinepathologie etabliert. Entsprechende Geräte sind kostspielig und noch nicht flächendeckend in Kliniken verfügbar. Das Verfahren ist damit zunächst eher für spezialisierte Forschungs- und Hochschulkliniken relevant als für den breiten pathologischen Versorgungsalltag.
Zudem unterliegen KI-basierte Medizinprodukte in der EU der MDR-Klassifizierung, was Zulassungsverfahren zeitlich und finanziell aufwendig gestaltet.
Relevanz für deutsche Gesundheitsunternehmen
Für Hersteller digitaler Pathologielösungen sowie für Kliniken mit Forschungsauftrag bietet der Ansatz einen interessanten Entwicklungspfad. Unternehmen, die bereits in KI-gestützte Bildauswertung investieren – etwa im Bereich digitaler Pathologie-Plattformen oder medizinischer Bildgebung –, sollten die Weiterentwicklung dieser Methodik beobachten.
Sobald label-free Mikroskopie breiter verfügbar wird und Multicenter-Validierungsdaten vorliegen, könnte das Verfahren in automatisierten Diagnose-Pipelines integriert werden.
Für den deutschen Markt gilt: Die regulatorische Vorbereitung einer MDR-konformen Zulassung sollte frühzeitig parallel zur klinischen Validierung eingeplant werden.
Quelle: Nature npj Digital Medicine
