Künstliche Intelligenz ermöglicht risikobasierte Einordnung von Hirntumoren auf Basis routinemäßiger Pathologiebilder. Forscher der Mayo Clinic in Rochester haben in einer Studie, die im Fachjournal The Lancet Digital Health veröffentlicht wurde, nachgewiesen, dass Deep-Learning-Modelle aus standardmäßigen Hämatoxylin-Eosin-Färbungen molekular und prognostisch relevante Informationen extrahieren können. Diese Methode erlaubt die präzise Klassifizierung von Meningeomen sowie eine verlässliche Vorhersage des Rezidivrisikos. Bisher stützen sich Diagnostiker auf aufwendige DNA-Methylierungsanalysen, die hohe Kosten, lange Bearbeitungszeiten und spezialisierte Laborkapazitäten erfordern. Der neue KI-Ansatz nutzt dagegen ausschließlich die bereits im klinischen Alltag routinemäßig generierten Gewebebilder. Basierend auf anonymisierten Datensätzen von 672 Patienten sowie Ressourcen der Mayo Clinic Platform lernten die Algorithmen biologische Muster der Tumoren zu identifizieren. Die Vorhersagegenauigkeit blieb dabei auch nach Kontrolle konventioneller Faktoren wie Tumorgefäßreich, operativer Resektionsquote und Patientenalter signifikant hoch. Die klinische Relevanz liegt in der verbesserten Therapiesteuerung. Da Meningeome in ihrem biologischen Verhalten stark variieren, entscheidet das individuelle Rezidivrisiko über den Bedarf an Nachsorgeuntersuchungen, Bildgebungsverfahren oder adjuvanten Bestrahlungen. Die KI-Modelle konnten zudem intra tumoral heterogene Areale detektieren, die wahrscheinlich für aggressive Verläufe oder unterschiedliche Therapieansprechen verantwortlich sind. Dies eröffnet die Möglichkeit, personalisierte Behandlungsstrategien abzuleiten, ohne zusätzliche genetische Tests zu veranlassen. Dr. Gelareh Zadeh, Direktor der Abteilung für Neurochirurgie an der Mayo Clinic, betonte, dass der Ansatz das über zwei Jahrzehnte angesammelte genomische und molekulare Wissen in zugängliche digitale Werkzeuge überführt. Ziel sei die globale Verfügbarkeit der Algorithmen, um die Versorgungsqualität in verschiedenen Gesundheitssystemen zu standardisieren. Die Forscher weisen darauf hin, dass prospektive klinische Studien erforderlich sind, bevor die KI-gestützte Risikostratifizierung flächendeckend in der Routineversorgung eingesetzt wird. Die vorliegenden Ergebnisse legen jedoch den Grundstein für eine kosteneffiziente, datenbasierte Onkologie und eröffnen Perspektiven für ähnliche Anwendungsfelder bei weiteren Krebsarten. Durch die Integration in bestehende digitale Pathologie-Workflows könnte die Technologie künftig die diagnostische Kluft zwischen hochspezialisierten Zentren und Regionen mit limitierter Laborausstattung schließen.