Erkennung und Klassifizierung von Schilddrüsenkrebs mittels Spektralbildgebung und künstlicher Intelligenz

Warum die Früherkennung von Schilddrüsenkrebs wichtig ist

Schilddrüsenkrebs ist die häufigste Krebserkrankung der hormoneproduzierenden Drüsen, und seine Diagnose beruht nach wie vor größtenteils darauf, was ein Pathologe unter dem Mikroskop sieht. Trotzdem können selbst Expertinnen und Experten in Grenzfällen uneinig sein, insbesondere wenn Befunde teils harmlos, teils bedenklich wirken. Diese Studie beschreibt eine neue Methode, Standard-Gewebeschnitte der Schilddrüse mit erweiterten Lichtmessungen und künstlicher Intelligenz auszulesen, mit dem Ziel, Ärzten zu helfen, normales Gewebe von Krebs genauer und konsistenter zu unterscheiden.

Jenseits gewöhnlicher Farben in Gewebeschnitten

Im Alltag werden während der Operation entfernte Schilddrüsengewebe dünn geschnitten, rosa und violett gefärbt und unter dem Mikroskop untersucht. Die Farben stammen von zwei Farbstoffen, Hämatoxylin und Eosin, die Zellkerne und umgebendes Gewebe hervorheben. Traditionelle digitale Scanner erzeugen daraus ein einfaches Rot‑Grün‑Blau (RGB)-Bild, ähnlich einer Handykamera. Das Team hinter dieser Arbeit entwickelte ein anderes Bildgebungssystem, die sogenannte Spektralbildgebung, das misst, wie jeder winzige Punkt im Schnitt Licht über Dutzende von Farben des sichtbaren Spektrums hinweg absorbiert, statt nur in drei Kanälen. Dieser reichere „Farb‑Fingerabdruck“ erfasst subtile Unterschiede, die mit der Dichte und Organisation des genetischen Materials im Zellkern zusammenhängen—Merkmale, die sich bei Krebs häufig verändern.

Spektren einzelner Zellen in verwertbare Informationen verwandeln

Um diese detaillierten Messungen nutzbar zu machen, ließen die Forschenden zuerst erfahrene Pathologen klar normale und klar tumoröse Bereiche auf jedem Schnitt markieren. Ihr spektrales Mikroskop scannte dann beide Bereiche in etwa 5–10 Minuten pro Probe und sammelte für jedes Pixel rund 40 Lichtintensitätswerte. Ein spezialisiertes neuronales Netzwerk, basierend auf einem in der medizinischen Bildgebung weit verbreiteten Design, fand und umriss automatisch die Kerne einzelner Zellen. Für jeden Kern berechnete das System sein durchschnittliches Spektrum sowie Größe und Form und wie stark das Spektrum von typischen Normal‑ bzw. typischen Krebs‑Kernen abwich. Auf diese Weise wird das, was eine Pathologin qualitativ als „dunklere“ oder „dichter gepackte“ Kerne wahrnimmt, in numerische Merkmale übersetzt, die ein Computer analysieren kann.

Zwei Wege, normale und krebsartige Zellen zu trennen

Die Studie prüfte zwei sich ergänzende Klassifizierungsansätze. In einem semi‑automatischen Verfahren markiert eine Pathologin weiterhin einen Bereich als normal und einen als tumorös. Das System vergleicht dann das Spektrum jedes Kerns mit Referenzspektren aus diesen beiden Bereichen und verwendet eine einfache Clusterungsmethode, um wahrscheinlich normale von wahrscheinlich krebsartigen Zellen zu trennen. Diese Methode erzielte F1‑Werte—ein Kompromiss zwischen Sensitivität und Präzision—von etwa 0,8 oder höher für die wichtigsten Schilddrüsenkrebs‑Subtypen und verbesserte sich weiter, wenn Grenzkerne mit gemischten Merkmalen beiseitegelassen wurden. In einem vollständig automatisierten Ansatz lernte ein Machine‑Learning‑Modell namens Random Forest aus mehr als 150.000 beschrifteten Kernen, Muster in Kern‑Größe, -Form und spektralem Verhalten zu erkennen, die auf Krebs hinweisen. Getrennt an getesteten Patientenfällen erreichte es ebenfalls F1‑Werte über 0,82, ohne dass manuelle Bereichsmarkierungen nötig waren.

Von einzelnen Zellen zu Entscheidungen für ganze Gewebeareale

Ärztinnen und Ärzte treffen Therapieentscheidungen nicht auf Basis einer einzelnen Zelle, sondern danach, ob größere Gewebeareale tumorös sind und wie weit sich die Erkrankung ausgebreitet hat. Die Forschenden bewerteten daher, wie ihr System arbeitet, wenn es Zellen in kleine Unterregionen gruppiert und jede Region als Tumor oder normal kennzeichnet, falls die Mehrheit der Kerne dort krebsartig oder nicht krebsartig erscheint. Diese regionsbasierte Sicht erhöhte die Genauigkeit weiter, vor allem durch Verringerung von Fehlalarmen in normalem Gewebe. Wichtig ist, dass der Ansatz transparent blieb: Jede Entscheidung lässt sich auf sichtbare Zellmerkmale und Spektren zurückführen, wodurch das „Black‑Box“-Verhalten vermieden wird, das manche Deep‑Learning‑Tools klinisch schwer vertrauenswürdig macht.

Was das für Patientinnen, Patienten und Ärztinnen und Ärzte bedeuten könnte

Die Studie zeigt, dass das Hinzufügen detaillierter spektraler Messungen und sorgfältig entwickelter KI zu routinemäßigen Schilddrüsen­schnitten zuverlässig aufzeigen kann, wo Krebs vorhanden ist, selbst bei schwierigen Subtypen, die Expertinnen oft verwirren. Weil die Methode mit denselben Standardfärbungen funktioniert, die weltweit bereits verwendet werden, könnte sie in digitale Pathologie‑Workflows integriert werden, ohne die Gewebeaufbereitung zu ändern. Anstatt Pathologinnen zu ersetzen, liefert das System eine Karte wahrscheinlicher normaler und krebsartiger Kerne über den Schnitt hinweg, unterstützt bei der Bestätigung schwieriger Diagnosen, beschleunigt Begutachtungen und könnte das Risiko sowohl übersehener Krebserkrankungen als auch unnötig aggressiver Behandlungen verringern.

Zitation: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Schlüsselwörter: Schilddrüsenkrebs, digitale Pathologie, Spektralbildgebung, künstliche Intelligenz, Krebsdiagnose