Ein neu entwickeltes KI-Tool namens SMMILe (Superpatch-based Measurable Multiple Instance Learning) ermöglicht eine schnelle und präzise Analyse komplexer Krebsgewebeschnitte – mit der Möglichkeit, Behandlungen individuell anzupassen. Forscher der Universität Cambridge haben ein maschinelles Lernverfahren geschaffen, das nicht nur das Vorhandensein von Krebszellen auf Biopsie- und Operationspräparaten erkennt, sondern auch die räumliche Verteilung von Tumorherden, deren Subtypen und Aggressivitätsgrade abschätzt. Im Gegensatz zu bisherigen KI-Systemen, die umfangreiche, von Pathologen manuell annotierte Bilder benötigen, kann SMMILe mit einfachen, patientenbezogenen Diagnoseetiketten wie Krebsart oder -grad trainiert werden, ohne dass detaillierte regionale Markierungen nötig sind. Dies spart erheblich Zeit und Ressourcen. In einer Studie, die in Nature Cancer veröffentlicht wurde, testeten die Wissenschaftler das Modell an acht Datensätzen mit insgesamt 3.850 Ganzpräparaten aus sechs Krebsarten: Lunge, Niere, Ovar, Brust, Magen und Prostata. Dabei erreichte SMMILe die Leistungsfähigkeit von neun führenden KI-Tools bei der Klassifizierung ganzer Präparate und übertraf diese deutlich bei der Schätzung von Anteilen und räumlicher Verteilung unterschiedlicher Tumoruntertypen. Dr. Zeyu Gao, der das Tool entwickelte, betont, dass Krebs nicht homogen sei: Ein Tumor kann mehrere Subtypen enthalten, die unterschiedlich aggressiv sind. SMMILe liefert nicht nur eine Ja/Nein-Antwort, sondern ein detailliertes „räumliches Kartenbild“ des Tumors – eine entscheidende Erkenntnis für eine präzisere Therapieplanung. Dr. Mireia Crispin-Ortuzar, Co-Leiterin des Cancer Research UK Cambridge Centre, vergleicht die Technologie mit einem „Sonar für Gewebebilder“, das es ermöglicht, Strukturen zu erkennen, die sonst unsichtbar bleiben. Die KI nutzt kostengünstige, allgemein verfügbare Daten, was die Anwendbarkeit in klinischen Einrichtungen weltweit erhöht. Zukünftig soll SMMILe nicht nur die Klassifizierung, sondern auch die Vorhersage von Biomarkern ermöglichen – molekularen Signaturen, die Aufschluss über das Verhalten des Tumors geben. Dies könnte die Grundlage für personalisierte Therapien bilden, die sowohl das Aussehen des Tumors als auch seine biologische Natur berücksichtigen. Die Forscher hoffen, dass die KI die Diagnose beschleunigt und präziser macht, was die Chancen auf erfolgreiche Behandlung erhöht. Die Studie wurde hauptsächlich von Cancer Research UK und GE HealthCare gefördert. Dr. Dani Skirrow von Cancer Research UK sieht in SMMILe ein zentrales Werkzeug für die Zukunft der Krebsdiagnostik: „Wir sind in einer goldenen Ära der Krebsforschung, und KI-Tools wie SMMILe könnten Patienten schneller und gezielter behandeln.“ Bewertung: Experten sehen in SMMILe eine bahnbrechende Entwicklung, die die Digitalpathologie revolutionieren könnte. Die Fähigkeit, aus einfachen Diagnoseetiketten hochpräzise räumliche Informationen zu extrahieren, senkt die Hürden für die Einführung von KI in klinische Routinen. Da das Tool auf kostengünstigen Daten trainiert wird, ist es besonders für weltweit verbreitete Anwendung geeignet. Die Universität Cambridge und das Addenbrooke’s Charitable Trust (ACT) nutzen die Forschungsergebnisse zur Förderung des Cambridge Cancer Research Hospital – eines zukunftsorientierten Zentrums, das Klinik und Forschung vereint, um Krebsdiagnostik und -therapie zu transformieren. Die Technologie steht noch am Anfang, doch die frühen Ergebnisse zeigen ein enormes Potenzial, die Patientenversorgung zu verbessern.