KI-Modell automatisiert Einzelzellanalyse bei Blut- und Lymphdrüsenkrebs

Stand: 05.10.2026

Bei Google bevorzugen

© Pixel-Shot – stock.adobe.com

Bei Blut- und Lymphdrüsenkrebs müssen große Mengen komplexer Einzelzelldaten ausgewertet werden. Forschende des Universitätsklinikums Freiburg und des Weizmann Institute of Science in Israel haben nun ein auf künstlicher Intelligenz basierendes Modell entwickelt, das wesentliche Teile dieser Analyse automatisieren kann. Bei chronischer lymphatischer Leukämie (CLL) erkannte es unter Millionen gemessener Zellen gezielt typische Krebszellen. Die Ergebnisse stimmten sehr gut mit der manuellen Auswertung durch Fachärzt:innen überein. Das open-source Modell CytoVI (Variational Inference for Cytometry) könnte damit Personal entlasten, Untersuchungen vereinheitlichen und krankheitsrelevante Veränderungen leichter sichtbar machen [1].

„Wir können damit Blutproben, die in der Klinik ohnehin erfasst werden, künftig wesentlich stärker automatisiert auswerten“, sagt Dr. Florian Ingelfinger, Erstautor der Studie und Wissenschaftler an der Klinik für Innere Medizin I des Universitätsklinikums Freiburg und Nachwuchsgruppenleiter im Deutschen Konsortium für Translationale Krebsforschung (DKTK), Partnerstandort Freiburg. „Das Modell entlastet Kliniken und hilft zugleich, neue Zellpopulationen zu entdecken, die als diagnostische Marker oder mögliche Ansatzpunkte für Therapien interessant sind.“ Ingelfinger leitet am Universitätsklinikum Freiburg das Laboratory for Generative Single Cell Immunology.

Mustererkennung in Durchflusszytometrie-Daten

CytoVI analysiert Einzelzelldaten, wie sie bei der Durchflusszytometrie entstehen. Dabei werden keine Bilder aufgenommen. Mittels Lasermessungen werden Eigenschaften einzelner Zellen erfasst, etwa bestimmte Proteine, Zellgröße und innere Struktur. So entsteht für jede Zelle ein digitales Profil. CytoVI erkennt darin typische Muster und kann beispielsweise Leukämiezellen automatisch von anderen Blutzellen unterscheiden. Eine zentrale Stärke des Modells ist, dass es technische Unterschiede zwischen verschiedenen Messungen, etwa durch unterschiedliche Geräte, Messzeitpunkte oder Labore, rechnerisch berücksichtigt und hilft, sie von biologischen Unterschieden zu trennen. Das ermöglicht eine besser vergleichbare Auswertung.

„Patient:innen brauchen vor allem eine verlässliche Diagnose und möglichst schnell Klarheit darüber, welche Erkrankung vorliegt. Dabei könnte uns CytoVI künftig helfen“, sagt Prof. Dr. Robert Zeiser, Leiter der Abteilung für Tumorimmunologie und Immunregulation an der Klinik für Innere Medizin I des Universitätsklinikums Freiburg, und an der Publikation beteiligt.

Identifikation seltener Zellpopulationen bei B-Zell-Lymphomen

Bei 63 Patient:innen mit verschiedenen B-Zell-Lymphomen identifizierte CytoVI automatisch T-Zell-Gruppen, die mit bestimmten Erkrankungsformen verbunden waren. Darunter war auch eine seltene Zellpopulation, die in der ursprünglichen manuellen Analyse nicht beschrieben worden war. Solche Zellgruppen können Hinweise auf diagnostische Biomarker und mögliche therapeutische Zielstrukturen geben.

Hohe Übereinstimmung mit manueller Auswertung bei CLL

Besonders kliniknah war die Auswertung von CLL-Daten aus der Routinediagnostik. „Wir konnten sehen, dass die automatische Identifizierung mit der manuellen Auswertung sehr gut übereinstimmt“, sagt Ingelfinger. Die sichere Identifikation von sehr wenigen Krebszellen, etwa nach einer Krebstherapie, ist aktuell noch eine Herausforderung. Die Zuverlässigkeit der Analyse wird Ärzt:innen jeweils mit ausgegeben, so dass gezielte Überprüfungen möglich sind. „CytoVI soll die ärztliche Beurteilung unterstützen, nicht komplett ersetzen“, so Ingelfinger weiter.

Auf diese Weise können auch die großen Mengen an Durchflusszytometrie-Daten, die über viele Jahre in der Routinediagnostik entstehen, besser vergleichbar und gemeinsam ausgewertet werden. Damit wird ein bislang nur eingeschränkt nutzbarer Datenschatz für die Forschung erschlossen.

Lesen Sie mehr zu diesem Thema:

Wenn Algorithmen unser Leben durchrechnen

Deutschland gibt Milliarden für Gesundheit aus und landet bei der Lebenserwartung in Westeuropa trotzdem fast am Ende des Rankings. Für Ethiker:innen eine „verpasste Präventionschance“. An einem Wintermorgen stehe ich im Flur der Abteilung „Künstliche Intelligenz in der Onkologie“ in Heidelberg. Hinter den Türen: Videokonferenzen, Programmcode, Datensätze. Das Ziel: den Krankheitsverlauf von Millionen Menschen Jahrzehnte im Voraus zu berechnen und Präventionsfenster zu öffnen. Wie viel unserer Zukunft wären wir bereit, auf die Vorhersagen eines Algorithmus zu setzen?

Jetzt lesen