KI gegen Krebs

Ein kleiner Stich, ein paar Tropfen Blut – und ein Computer. Mehr braucht es womöglich in Zukunft nicht, um eine Krebserkrankung zu diagnostizieren. Möglich machen soll dies ein neuer Ansatz der Forschungsgruppe um G.V. Shivashankar, Leiter des Labors für multiskalare biologische Bildgebung am Zentrum für Life Sciences des PSI und Professor für Mechano-Genomik an der ETH Zürich. Die Methode vereint moderne Bildgebung, Zellbiologie und lernfähige Algorithmen – eine Kombination, die die Blutprobe zur wertvollen Informationsquelle über eine mögliche Krebserkrankung macht.

Wie Tumore Spuren im Blut hinterlassen

Tumorzellen geben bestimmte Botenstoffe in den Blutkreislauf ab – ein komplexes Gemisch, das als Sekretom bezeichnet wird. Es unterscheidet sich je nach Tumorart und wirkt auf entfernte Zellen im Körper. Die Forschenden am PSI stellten fest: Dieses Sekretom beeinflusst bestimmte weisse Blutzellen – vor allem deren Zellkernstruktur. Dort befindet sich das Chromatin, die zu einer Art Knäuel verpackte Erbsubstanz. «Die weissen Blutkörperchen reagieren sehr empfindlich auf solche Tumorsignale», erklärt Shivashankar. «Da sie sich sehr einfach aus Blutproben gewinnen lassen, erweist sich eine Analyse als äusserst unkompliziert.»

Doch was genau sich im Chromatin verändert, lässt sich nicht mit blossem Auge erkennen – und nicht einmal direkt mit dem Mikroskop. Die Unterschiede sind fein, vielschichtig und nicht auf ein einzelnes Merkmal zurückzuführen. Das Muster der Veränderung hängt zudem stark von der Art des Tumors ab. 

Um diese unsichtbaren Signaturen zu entschlüsseln, setzten die Forschenden auf hochauflösende Fluoreszenz-Mikroskopie: Sie erzeugten mehrere Hundert Bilder pro Blutprobe und analysierten darin rund zweihundert Eigenschaften – etwa Textur, Kontrast und räumliche Verteilung des Chromatins. Doch selbst mit diesen Bildern blieb die Frage: Welche Kombination von Merkmalen weist tatsächlich auf Krebs hin – und falls ja, auf welche Art? Um aus dieser Komplexität eine verlässliche Aussage zu gewinnen, setzen die Forschenden auf künstliche Intelligenz – genauer gesagt: maschinelles Lernen.

Wie ein Algorithmus aus Zellbildern lernt

Um aus der Vielzahl mikroskopischer Merkmale verlässliche Rückschlüsse ziehen zu können, nutzte das Forschungsteam einen lernfähigen Algorithmus. Dafür analysierten sie zunächst Blutproben von gesunden Personen und von Patientinnen und Patienten mit unterschiedlichen Tumorarten. Die daraus generierten Zellbilder bildeten die Grundlage für den Algorithmus: Jedes Bild zeigt eine Chromatinstruktur – versehen mit der Information, ob die dazugehörige Person gesund oder an Krebs erkrankt ist.

«Man kann sich das wie ein Kartenspiel vorstellen», erklärt Shivashankar. «Auf der Vorderseite sieht man das Bild der Zelle – auf der Rückseite steht die Diagnose.» Während der Trainingsphase darf der Algorithmus beide Seiten sehen. Er vergleicht Hunderte solcher Karten und beginnt, charakteristische Muster zu erkennen – auch solche, die für das menschliche Auge nicht sichtbar oder nicht eindeutig sind.

Lernen bedeutet in diesem Fall: Der Algorithmus gewichtet die mikroskopischen Auffälligkeiten unterschiedlich – und er «versteht» mit zunehmender Datenmenge immer besser, welche Kombination auf eine Krebserkrankung hinweist. In der Testphase bekommt er dann neue Karten, deren Rückseite er nicht kennt. Er muss selbst entscheiden, ob das Bild auf Krebs hindeutet oder nicht.

Das Ergebnis: Mit einer Genauigkeit von fünfundachtzig Prozent konnte der Algorithmus gesunde von erkrankten Personen korrekt unterscheiden – unabhängig von der Tumorart. «Das ist das erste Mal weltweit, dass wir Bilder des Chromatins aus Blutzellen als Tumormarker nutzen konnten», so Shivashankar. Ein vielversprechender Schritt in Richtung datenbasierter Diagnostik, die medizinisches Fachpersonal künftig gezielt bei der Früherkennung unterstützen könnte – effizient und kostengünstig. Laut den Forschenden sollen bereits in drei bis fünf Jahren erste klinische Anwendungen möglich sein.