Ein künstliches Intelligenz-Modell, entwickelt von Forschern des CISPA Helmholtz-Zentrums für Informationssicherheit unter Leitung von Sarath Sivaprasad gemeinsam mit Hui-Po Wang und Mario Fritz sowie Kollegen vom Helmholtz-Institut für Pharmazeutische Forschung Saarland (HIPS), kann Entwicklungsstörungen bei Zebrafischembryonen automatisiert erkennen. Die Methode kombiniert eine umfangreiche, hochauflösende Bild-Datenbank mit einem transformerbasierten maschinellen Lernmodell, das Toxizitätseffekte und Fruchtbarkeitsauswirkungen mit hoher Genauigkeit und Effizienz identifiziert. Die Ergebnisse werden auf der 28. Internationalen Konferenz für medizinische Bildverarbeitung und computerunterstützte Intervention (MICCAI 2025) in Korea vorgestellt. Sivaprasad erläutert, dass Anomalieerkennung im maschinellen Lernen darauf abzielt, Datenpunkte, Ereignisse oder Muster zu identifizieren, die sich deutlich vom Erwarteten unterscheiden. Während klassische Klassifikationen Eingaben in feste Kategorien wie „Katze“, „Hund“ oder „Auto“ einordnen, unterscheidet Anomalieerkennung lediglich zwischen „normal“ und „nicht normal“. Diese Methode wird nun erstmals auf die Entwicklung von Zebrafischembryonen angewandt. Zebrafische sind aufgrund ihrer durchsichtigen Körper, genetischen Ähnlichkeit mit Menschen und schnellen Entwicklung ein idealer Modellorganismus für die biomedizinische Forschung, besonders in der Toxizitäts- und Arzneimittelentwicklung. Allerdings bleibt die Analyse ihrer Entwicklung bislang stark von manueller, zeitaufwändiger und subjektiver Beurteilung durch Experten abhängig. Ein zentrales Problem war die fehlende Verfügbarkeit großer, zeitlich hochaufgelöster Datensätze für die Ausbildung komplexer Modelle. Um dies zu lösen, sammelten die HIPS-Forscher eine der umfangreichsten bisher erfassten Datensätze von Zebrafischembryonen mit über 185.000 Mikroskopaufnahmen. Die Embryonen wurden in Mikrowellplatten gehalten und kontinuierlich unter dem Mikroskop beobachtet. Die Daten wurden mit sequenzübergreifenden Etiketten für Fruchtbarkeit und fein zeitlich annotierten Anomalien versehen – ein wertvoller Standard für die Entwicklung automatisierter Tools. Auf dieser Grundlage trainierte Sivaprasad ein transformerbasiertes neuronales Netzwerk, das nicht nur die Struktur einzelner Bilder, sondern auch die zeitliche Entwicklung der Embryonen in Sequenzen analysieren kann. Das Modell erreichte eine Genauigkeit von 98 % bei der Feststellung der Befruchtung und 92 % bei der Erkennung von Entwicklungsstörungen durch den Toxizitätsstoff 3,4-Dichloranilin. Wichtig: Es repliziert die analytische Vorgehensweise menschlicher Experten, was frühzeitige Toxizitätsvorhersagen ermöglicht. Die Forscher stellen den gesamten Datensatz frei auf GitHub zur Verfügung, um die Forschungsgemeinschaft zu befähigen, neue Methoden zu entwickeln. Ziel ist es, die Methode auf ganze Chemikalienbibliotheken auszuweiten. Die Plattform soll die Sensitivität und Geschwindigkeit von Toxizitätsprüfungen revolutionieren und ethisch verantwortungsvolle Alternativen zu Tierversuchen fördern. In der Fachwelt wird das Projekt als Meilenstein in der Integration von KI und biomedizinischer Forschung gewürdigt. Experten betonen, dass die Kombination von hochwertigen biologischen Daten mit modernen Deep-Learning-Modellen einen Paradigmenwechsel in der frühen Arzneimittelentwicklung darstellt. Die Open-Access-Verfügbarkeit des Datensatzes wird als besonders wertvoll für die Zusammenarbeit zwischen KI- und Biomedizin-Forschern angesehen. CISPA und HIPS positionieren sich damit als führende Akteure im Bereich sicherer, datengetriebener biologischer Forschung.