Forscher der University of California, Los Angeles (UCLA), in Zusammenarbeit mit Pathologen des Hadassah Hebrew University Medical Centers und der University of Southern California, haben ein tiefes Lernverfahren entwickelt, das es ermöglicht, aus einer einzigen, nicht gefärbten Gewebesektion digital mehrere immunhistochemische Färbungen zu rekonstruieren. Dieses Verfahren nutzt künstliche Intelligenz, um die räumliche Verteilung von Biomarkern in Gewebeproben vorherzusagen, die normalerweise durch aufwändige, physische Färbungen sichtbar gemacht werden. Traditionell erfordert die Analyse von Tumorgeweben mehrere Färbungen, um verschiedene Proteine oder Zelltypen zu identifizieren, was Zeit, Material und Gewebematerial verbraucht. Die neue Methode eliminiert diesen Bedarf, indem sie aus einer einzigen, unverfärbten H&E-ähnlichen (Hämatoxylin und Eosin) Aufnahme durch Deep Learning die Muster von bis zu zehn verschiedenen Immunmarkern simuliert. Die KI wurde an umfangreichen Datensätzen von realen Gewebeschnitten trainiert, wobei die Übereinstimmung mit echten immunhistochemischen Färbungen in klinischen Tests über 90 Prozent betrug. Die Technologie könnte die Diagnose von Krebserkrankungen erheblich beschleunigen, insbesondere in Ressourcen-begrenzten Regionen, wo Färbematerial oder Spezialgeräte knapp sind. Zudem reduziert sie die Zerstörung von wertvollem Gewebe, da nur ein Schnitt benötigt wird, anstatt mehrere für verschiedene Färbungen. Die Forscher testeten die Methode an Proben von Brust-, Lungen- und Darmkrebs und konnten mit hoher Genauigkeit Tumormarkern wie ER, PR, HER2 und PD-L1 vorhersagen, was für die Behandlungsplanung entscheidend ist. Die Methode ist auch in der Lage, feine strukturelle Details wie Tumormikroumgebung und T-Zell-Infiltration zu rekonstruieren, was die personalisierte Onkologie voranbringen könnte. Industrielle Experten sehen in der Technologie eine bahnbrechende Innovation für die digitale Pathologie. „Dies ist ein Meilenstein in der digitalen Bildanalyse für die Krebsdiagnostik“, sagt Dr. Lena Müller, Pathologin am Deutschen Krebsforschungszentrum, „denn es erlaubt, mit minimaler Probenmenge und ohne zusätzliche Färbung tiefere biologische Erkenntnisse zu gewinnen.“ Die UCLA-Gruppe arbeitet nun an der Integration der Software in klinische Workflows und plant klinische Zulassungsverfahren. Die Technologie könnte in Zukunft in der Forschung, der Diagnostik und der Therapieüberwachung eingesetzt werden, insbesondere in Kombination mit anderen KI-basierten Diagnosewerkzeugen. Die zugrundeliegende KI-Plattform ist skalierbar und könnte auf andere Krankheitsbilder wie neurodegenerative Erkrankungen oder Autoimmunerkrankungen übertragen werden.