KI verbessert Lungenkrebsdiagnostik
Forschende entwickeln neue Methode zur Risikoabschätzung
13.11.2025
Sie befinden sich hier:
Ein interdisziplinäres Forschungsteam von Charité, BIFOLD (Berlin Institute for the Foundations of Learning and Data, der Technischen Universität Berlin), Universitätsklinikum Köln, dem KI-Unternehmen Aignostics und der Ludwig-Maximilians-Universität München (LMU) hat eine neuartige, KI-gestützte Methode entwickelt, um präzisere Vorhersagen bei Lungenkrebspatient:innen treffen zu können. Ihre Studie wurde jetzt in der Fachzeitschrift Nature Communications* veröffentlicht.
Das interdisziplinäre Forschungsteam hat ein neues Verfahren entwickelt, um die Wahrscheinlichkeit für Rezidive bei Lungenkrebs besser abzuschätzen. Bisher ist dies anhand von Merkmalen wie Tumorgröße oder Lymphknotenbefall insbesondere in frühen Krankheitsstadien nur unzureichend möglich. Das sogenannte Staging erfasst nicht die detaillierte Interaktion des Tumors mit den verschiedenen Zelltypen des Immunsystems und Bindegewebes in seiner Umgebung.
In ihrer Arbeit kombinieren die Forschenden nun histologische Daten, Multiplex-Immunfluoreszenz-Bildgebung und multimodales maschinelles Lernen, um die komplexen zellulären Strukturen und Wechselwirkungen in der Tumorumgebung von 1168 Patientinnen und Patienten aus zwei großen deutschen Krebszentren zu analysieren.
KI-gestützte Analysen und etablierte klinische Parameter
Dabei konnten die Wissenschaftlerinnen und Wissenschaftler 43 verschiedene Zelltypen und deren räumliche Beziehung im Tumormikromilieu charakterisieren und sogenannte zelluläre Nischen identifizieren. Das sind kleine Nachbarschaften von Zellen, in denen jeweils die Zusammensetzung der Zelltypen – also Tumorzellen, T- und B-Lymphozyten, Makrophagen und weitere – analysiert wurde. Durch die KI-gestützte Kombination dieser Muster mit etablierten klinischen Parametern gelang eine deutliche Verbesserung der Risikostratifizierung.
„Künstliche Intelligenz hilft uns, die räumliche Zellorganisation und die Bildung spezifischer Zellnischen im Tumor besser zu verstehen und dieses Wissen in klinisch relevante Entscheidungen zu übersetzen“, sagt PD Dr. Simon Schallenberg, Pathologe an der Charité und einer der Erstautoren der Studie. „Diese Nischenmuster liefern prognostisch relevante Informationen zusätzlich zum klassischen Staging. Wir konnten zeigen, dass die Zusammensetzung der Zellen im Tumorumfeld eng mit dem Überleben der Patient:innen zusammenhängt, insbesondere bei frühen Lungenkrebsstadien“, erklärt Prof. Frederick Klauschen, Forschungsgruppenleiter am BIFOLD und Pathologe an der LMU München.
Grundlage für individuelle Therapie-Entscheidungen
„Viele dieser Betroffenen können allein durch eine Operation geheilt werden, aber nicht alle. Unsere Methode hilft nun, jene mit höherem Rückfallrisiko zu erkennen, die von einer zusätzlichen Therapie profitieren könnten“, so Frederick Klauschen. „Unsere Ergebnisse zeigen, dass multimodale erklärbare KI Einblicke in die klinische Relevanz biomedizinischer Daten ermöglichen kann, die mit konventionellen Verfahren so nicht zu erreichen sind. Das Verfahren kombiniert KI-gestützte Bildanalyse mit KI-basierten Vorhersagemodellen, ist automatisiert und soll in prospektiven Studien weiter validiert werden“, erklärt Prof. Klaus-Robert Müller, vom BIFOLD/TU Berlin.
Diese Forschung verdeutlicht, wie künstliche Intelligenz und moderne Bildgebung gemeinsam neuartige Einblicke in die Tumorbiologie ermöglichen – und damit die Grundlage für präzisere Diagnostik und personalisierte Therapie-Entscheidungen schaffen.
*Schallenberg S et al. AI-powered spatial cell phenomics enhances risk stratification in non-small-cell lung cancer. Nature Communications, 2025 Nov 3. doi.org/10.1038/s41467-025-65783-z
Weitere Informationen:
Institut für Pathologie der Charité
Berlin Institute for the Foundations of Learning and Data (BIFOLD)
Pressemitteilung der TU Berlin vom 13.11.2025