Tiefes Lernen zur Vorhersage von Bösartigkeit und Tumorursprung anhand ganzer Zytologie‑ oder Histopathologie‑Glasobjekte

Warum Flüssigkeiten um Lunge und Bauch wichtig sind

Wenn sich Flüssigkeit um die Lunge (Pleuraerguss) oder im Bauchraum (Aszites) ansammelt, kann das ein frühes Anzeichen für eine Tumorausbreitung sein. Ärztinnen und Ärzte untersuchen diese Flüssigkeiten mikroskopisch auf Krebszellen, doch die Arbeit ist mühsam und selbst Expertinnen und Experten sind nicht immer einer Meinung. In dieser Studie wird ein neues System der künstlichen Intelligenz (KI) beschrieben, das ganze digitale Objektträger scannen kann, bei der Entscheidung hilft, ob Krebs vorliegt, und sogar Hinweise darauf geben kann, wo im Körper der Tumor wahrscheinlich entstanden ist.

Vom Mikroskopbild zur digitalen Landkarte

Moderne Pathologielabors können Glasobjekte in ultra-hochauflösende digitale Bilder umwandeln, die jeweils Millionen von Zellen enthalten. Die Forscher verwendeten diese Ganzobjektträgerbilder aus zwei Präparattypen: dünne „Abstriche“ von Zellen und kompakte „Cell‑Blocks“, die kleinen Gewebeproben ähneln. Sie konzentrierten sich auf Flüssigkeiten aus Brustkorb und Bauch, die an einem großen Krankenhaus gesammelt wurden, sowie auf zusätzliche Gewebeproben aus einer umfangreichen internationalen Krebsdatenbank. Da es bei diesem Umfang unmöglich ist, jede einzelne Krebszelle manuell zu markieren, entwickelten die Forschenden eine Methode, die aus Objektträger‑ebenen Labels wie „bösartig“ oder „gutartig“ lernen kann, ohne detaillierte Annotationen.

Eine KI, die sich selbst beibringt, worauf sie achten muss

Das System, MAMILE‑UNI genannt, kombiniert zwei zentrale Ideen. Erstens zerlegt es jeden Objektträger in viele kleine Bildausschnitte und leitet diese durch ein leistungsfähiges „Transformer“‑Netzwerk, das zuvor ohne menschliche Labels an Millionen von Pathologiebildern vortrainiert wurde. Dieser selbstlernende Schritt ermöglicht es dem Modell, nützliche visuelle Muster — etwa Zellverbände und Gewebetexturen — eigenständig zu entdecken. Zweitens lernt ein Attention‑Modul, welche Ausschnitte auf einem Objektträger für die Diagnose am wichtigsten sind, wodurch es das Verhalten einer Pathologin bzw. eines Pathologen beim gezielten Absuchen verdächtiger Bereiche nachahmt. Stark gewichtete Ausschnitte werden hervorgehoben und erzeugen Heatmaps, die zeigen, wo der Algorithmus „hingeschaut“ hat, als er einen Objektträger als krebspositiv oder -negativ einstufte.

Krebs in Brustkorb‑ und Bauchflüssigkeiten erkennen

Das Team evaluierte MAMILE‑UNI an 1.250 Flüssigkeitsobjektträgern aus Pleuraergüssen und Aszites. Im Vergleich zu fünf führenden Deep‑Learning‑Methoden war das neue System durchgehend genauer. Bei Pleuraergüssen unterschied es bösartige von gutartigen Objektträgern in etwa 9 von 10 Fällen, sowohl bei Abstrichen als auch bei Cell‑Blocks. Bei Aszites erreichte es eine vergleichbare Genauigkeit und überzeugte besonders durch die Aufrechterhaltung sowohl hoher Sensitivität (Trefferquoten für echte Krebserkrankungen) als auch hoher Spezifität (Vermeidung falscher Alarme). Statistische Tests zeigten, dass seine Vorhersagen eng mit den tatsächlichen Diagnosen übereinstimmten und signifikant besser waren als die konkurrierender KI‑Modelle. Wichtig ist, dass das System auch dann zuverlässig blieb, wenn Krebszellen auf einem Objektträger selten waren — eine Situation, die menschliche Gutachter oft herausfordert.

Den Ursprung des Krebses zurückverfolgen

Über die reine Erkennung von Bösartigkeit hinaus untersuchten die Autorinnen und Autoren, ob die KI ableiten kann, wo ein metastasierender Tumor begonnen hat — eine große Herausforderung, wenn der Primärtumor unbekannt ist. Mithilfe von Zytologie‑Abstrichen aus Pleuraergüssen und Aszites lernte das Modell, Objektträger breiten Ursprungsgruppen wie Lunge, Brust, gastrointestinaler Trakt oder gynäkologische Organe zuzuordnen. Besonders genau war es bei Lungen‑ und Brustkrebs, während die Leistung bei selteneren oder visuell heterogenen Tumoren moderater ausfiel. Um die Allgemeingültigkeit zu prüfen, wendeten die Forschenden MAMILE‑UNI außerdem auf 1.196 Gewebeschnitte aus 69 Krankenhäusern weltweit an. Auf diesen Histologie‑Objektträgern identifizierte das System den Tumorursprung mit bemerkenswert hoher Genauigkeit und näherte sich einer nahezu perfekten Übereinstimmung mit den Referenzdiagnosen an.

Geschwindigkeit, Effizienz und Unterstützung für Kliniker

Pathologinnen und Pathologen verbringen oft mindestens zehn Minuten mit der sorgfältigen Durchsicht eines einzelnen digitalen Zytologie‑Objektträgers. Im Gegensatz dazu kann MAMILE‑UNI einen ganzen Objektträger verarbeiten und in weniger als zwei Minuten eine Vorhersage liefern — auf einer Standard‑Grafikkarte, nachdem Gigabyte‑große Bilder in kompakte Merkmalsmengen komprimiert wurden. Kurvenbasierte Bewertungen zeigten, dass das Modell dazu neigt, echte bösartige Fälle weit oben in seiner Prioritätsliste zu platzieren, ein günstiges Verhältnis von Nutzen zu Schaden über Entscheidungsgrenzen hinweg bietet und Wahrscheinlichkeitswerte erzeugt, die gut mit realen Ergebnissen korrespondieren. Attention‑Karten überlappten stark mit von Expertinnen und Experten markierten Bereichen, was darauf hindeutet, dass der Fokus der KI klinisch sinnvoll und nicht willkürlich ist.

Was das für Patientinnen, Patienten und Ärztinnen und Ärzte bedeutet

Bei Patientinnen und Patienten mit Brustkorb‑ oder Bauchflüssigkeit prägt eine zeitnahe und genaue Diagnose die Therapieentscheidung entscheidend, doch derzeitige Tests können langsam, subjektiv und kostspielig sein. Diese Studie zeigt, dass ein sorgfältig gestaltetes KI‑System digitale Flüssigkeits‑ und Gewebeobjektträger zuverlässig auf Krebszeichen durchsuchen und Hinweise auf den Ursprung der Erkrankung geben kann — und das mit moderaten Rechenressourcen. Die Autorinnen und Autoren betonen, dass MAMILE‑UNI nicht die Pathologinnen und Pathologen ersetzt, sondern ein Hilfsmittel ist, das die Arbeitslast reduzieren, die Konsistenz verbessern und den Zugang zu hochwertiger Krebsdiagnostik erweitern könnte — besonders in Umgebungen, in denen Fachwissen und aufwendige Labortests begrenzt sind.

Zitation: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Schlüsselwörter: Zytologie KI, Pleuraerguss, Aszites, Tumorursprungs‑Vorhersage, digitale Pathologie