Künstliche Intelligenz zur Klassifikation rektaler Neoplasien durch endoskopische Fluoreszenz‑Perfusionsanalyse

Warum das für Patientinnen, Patienten und Ärztinnen wichtig ist

Bei Menschen mit großen rektalen Polypen ist eine der wichtigsten Fragen, ob der Wuchs harmlos ist oder bereits zu Krebs entartet. Heute können Ärztinnen und Ärzte das oft erst sicher sagen, nachdem die gesamte Läsion entfernt wurde, was zu umfangreicheren Operationen oder Verzögerungen in der Behandlung führen kann. Diese Studie untersucht, ob eine intelligente Bildgebungstechnik in Kombination mit künstlicher Intelligenz während des Eingriffs versteckten Krebs erkennen kann, indem sie beobachtet, wie das Gewebe durchblutet wird.

Zuhören, wie ein Tumor versorgt wird

Krebsgewebe wächst nicht wie normales Gewebe. Es regt die Bildung neuer, abnormaler Blutgefäße an, die undicht sind und unordentlich verzweigen. Diese Veränderungen erzeugen charakteristische Muster darin, wie Blut und injizierte Farbstoffe in einen Tumor hinein‑ und wieder herausfließen. Die Forschenden verwendeten einen Farbstoff namens Indocyaningrün, der im nahen Infrarot leuchtet, und zeichneten während endoskopischer Eingriffe bei Patientinnen und Patienten mit großen rektalen Polypen und frühen Rektumkarzinomen kurze Videos auf. Indem sie die Helligkeit dieses Leuchtens über mehrere Minuten verfolgten, konnten sie eine Art „Perfusions‑Fingerabdruck“ sowohl für verdächtige als auch für gesunde Bereiche innerhalb desselben Patienten erfassen.

Leuchtmuster in Daten verwandeln

Jedes Video wurde mit spezieller Software analysiert, die den sichtbaren Bereich der Darmwand in ein Gitter winziger Quadrate unterteilte und diese über die Zeit verfolgte, selbst wenn sich Kamera und Gewebe bewegten. Für jedes Quadrat maß das Programm, wie hell die Fluoreszenz wurde, wie schnell sie ihr Maximum erreichte und wie schnell sie wieder abnahm. Anschließend bereinigte und normalisierte es diese Kurven, sodass sie direkt vergleichbar waren. Aus diesen Zeitverläufen extrahierte das Team einfache numerische Merkmale wie das maximale Signal und den Abfall des Signals zu bestimmten Zeiten nach dem Maximum. Sie betrachteten außerdem, wie ungleichmäßig diese Werte über die abnorme Region verteilt waren, mithilfe einer Statistik, die die Variation innerhalb des Tumors im Vergleich zum umliegenden gesunden Gewebe erfasst.

Die künstliche Intelligenz trainieren

Die Gruppe untersuchte 190 Videos von 182 Patientinnen und Patienten, die an sechs Krankenhäusern in vier Ländern behandelt wurden; bei etwa drei von fünf Patienten wurde letztlich unter dem Mikroskop Krebs bestätigt. Sie trainierten ein maschinelles Lernmodell (einen XGBoost‑Klassifikator), das allein aus den Merkmalen des Farbstoffflusses zwischen gutartigen und bösartigen Läsionen unterscheiden sollte, ohne die normalen Farbbilder zu berücksichtigen. Bei neuen Fällen erkannte das Modell Krebs in einer beträchtlichen Mehrheit der Patientinnen und Patienten korrekt und erzielte damit eine Leistung, die mit vielen gängigen Verfahren vergleichbar war oder diese leicht übertraf, etwa endoskopischen Biopsien, präoperativen MRT‑Aufnahmen und dem visuellen Eindruck erfahrener Chirurgen.

Reale klinische Hinweise hinzufügen

Im klinischen Alltag verlassen sich Ärztinnen und Ärzte selten auf einen einzigen Test. Daher kombinierten die Forschenden die Ausgabe der KI mit bereits verfügbaren Informationen: MRT‑Befunden und dem Urteil des operierenden Chirurgen. Wenn diese in die gleiche Rechenpipeline eingespeist wurden, verbesserte sich die Fähigkeit, Krebs zu erkennen, insbesondere bei der zuverlässigen Ausschlussdiagnose gutartiger Läsionen. Im besten Szenario detektierte das kombinierte System etwa 86 % der Krebserkrankungen, während es bei ungefähr 71 % der Nicht‑Krebs‑Fälle falsche Alarme vermied. Der Ansatz funktionierte auch in Untergruppen von Patientinnen und Patienten recht gut, die typischer für frühe, lokal entfernbaren Erkrankungen sind.

Was das für die zukünftige Versorgung bedeuten könnte

Die Studie zeigt, dass Krebs in großen rektalen Polypen eine erkennbare Signatur in der Blut‑ und Farbstoffdurchströmung hinterlässt und dass diese Signatur automatisch von einer KI erfasst werden kann. Auch wenn die bisherigen Arbeiten an aufgezeichneten Videos durchgeführt wurden und noch in Echtzeit‑klinischen Studien bestätigt werden müssen, weist das Verfahren auf eine Zukunft hin, in der eine Koloskopistin oder ein Koloskopist während des Eingriffs gewarnt werden könnte, dass ein scheinbar harmloser Polyp vermutlich einen invasiven Krebs verbirgt. Diese Information könnte leiten, wo man biopsiert, ob die Läsion lokal entfernt werden sollte oder ob eine Überweisung für eine umfangreichere Operation nötig ist, wodurch sowohl übersehene Krebserkrankungen als auch unnötige große Eingriffe reduziert würden.

Zitation: Boland, P.A., MacAonghusa, P., Singaravelu, A. et al. Artificial intelligence classification of rectal neoplasia by endoscopic fluorescence perfusion analysis. Sci Rep 16, 4761 (2026). https://doi.org/10.1038/s41598-026-35233-x

Schlüsselwörter: Rektalkrebs, endoskopische Bildgebung, Fluoreszenz‑Perfusion, Künstliche Intelligenz, Maschinelles Lernen