EPFL-KI analysiert Tumorgewebe über Krebsarten hinweg

"VirTues" führt Daten aus Tumorgewebe in einer gemeinsamen Darstellung zusammen. Dadurch lassen sich Gewebeproben aus unterschiedlichen Studien nach demselben Prinzip analysieren. (Source: EPFL / © 2026 SayoStudio)

"VirTues" führt Daten aus Tumorgewebe in einer gemeinsamen Darstellung zusammen. Dadurch lassen sich Gewebeproben aus unterschiedlichen Studien nach demselben Prinzip analysieren. (Source: EPFL / © 2026 SayoStudio)

Forschende der EPFL haben mit Virtual Tissues ("VirTues") ein KI-Modell zur Analyse von Tumorgewebe entwickelt. Das Team um Charlotte Bunne von der Forschungsgruppe Artificial Intelligence in Molecular Medicine entwickelte das Modell anhand von Daten der räumlichen Proteomik aus verschiedenen Studien und Krebsarten. Die Ergebnisse veröffentlichte das Forschungsteam im Fachjournal "Nature".

Ein Tumor besteht nicht nur aus Krebszellen. Auch Immunzellen, Blutgefässe und anderes umliegendes Gewebe beeinflussen, wie sich ein Tumor entwickelt und auf eine Behandlung reagiert. Selbst Tumore mit denselben Zelltypen können unterschiedlich auf eine Therapie reagieren - je nachdem, wie die Zellen im Gewebe angeordnet sind.

Die räumliche Proteomik erfasst diese Strukturen auf molekularer Ebene. Sie zeigt unter anderem, welche Proteine und Zellen vorhanden sind, wo sie sich befinden und wie sie miteinander interagieren. Die dabei entstehenden Daten sind allerdings komplex. Hinzu kommt, dass Studien häufig unterschiedliche Gruppen von Proteinen messen. Das erschwert es, ihre Ergebnisse miteinander zu vergleichen.

KI führt unterschiedliche Gewebedaten zusammen

Hier setzt "VirTues" an. Das Modell kann Daten aus unterschiedlichen Studien und Krebsarten sowie mit verschiedenen Protein-Panels verarbeiten und in einer gemeinsamen Darstellung zusammenführen. Dadurch können Forschende neue Gewebeproben innerhalb desselben Systems analysieren und mit bereits erfassten Daten in Beziehung setzen, anstatt für jede neue Studie ein eigenes Modell von Grund auf zu entwickeln.

"VirTues" ist ein sogenanntes Foundation Model für die Gewebebiologie. Solche KI-Modelle lernen anhand grosser und vielfältiger Datensätze grundlegende Zusammenhänge und lassen sich anschliessend für unterschiedliche Aufgaben einsetzen, ohne dass Forschende für jede Fragestellung ein eigenes Modell entwickeln müssen. "VirTues" lernt Zusammenhänge zwischen Proteinen, Zellen und ihrer räumlichen Umgebung. So kann das Modell etwa Patientengruppen vergleichen, räumliche Muster erkennen oder nach Biomarkern suchen, die Hinweise auf den Krankheitsverlauf oder den Erfolg einer Behandlung geben können.

Technisch basiert "VirTues" auf einer neu entwickelten Transformer-Architektur. Sie ermöglicht es dem Modell laut der Studie, auch Daten gemeinsam auszuwerten, bei denen Forschende unterschiedliche Proteine gemessen haben. 

Für die Entwicklung des KI-Modells stellte das Team nach eigenen Angaben den bislang grössten frei zugänglichen Datensatz für räumliche Proteomik zusammen. Er umfasst mehr als 12'000 Bilder von über 5000 Patientinnen und Patienten aus 31 klinischen Kohorten. Das Modell lässt sich für Analysen auf verschiedenen Ebenen einsetzen - von einzelnen Zellen über ganze Gewebeschnitte bis hin zu Behandlungsergebnissen und Krankheitsverläufen.

KI soll bei der Wahl der Therapie helfen

Das Forschungsteam testete das KI-Modell unter anderem anhand von Daten zu einer Form von Brustkrebs, bei der wichtige Angriffspunkte für bestimmte zielgerichtete Therapien fehlen. Mithilfe des Modells identifizierte das Team Biomarker, mit denen sich abschätzen liess, wie Patientinnen auf eine kombinierte Chemo- und Immuntherapie reagierten. In einer unabhängigen Patientengruppe zeigten die Biomarker zudem Unterschiede beim krankheitsfreien Überleben auf. Laut der Studie schnitt das Verfahren dabei besser ab als die Biomarker und Methoden, die das Forschungsteam zum Vergleich heranzog.

Die Ergebnisse zeigen laut den Forschenden das Potenzial von "VirTues" für eine stärker auf einzelne Patientinnen und Patienten zugeschnittene Krebsbehandlung. Olivier Michielin, Leiter der Präzisionsonkologie am Universitätsspital Genf (HUG) und Professor an der Universität Genf, war an der Studie beteiligt. Er hält es für einen naheliegenden nächsten Schritt, "VirTues" in lokale und nationale Tumorboards einzubinden, in denen Fachleute gemeinsam über die Behandlung von Menschen mit Krebs beraten.

Bis das KI-Modell tatsächlich bei der Wahl einer Therapie helfen kann, sind allerdings weitere Untersuchungen nötig. Das Modell kann Gewebe charakterisieren und Zusammenhänge mit Krankheitsverläufen oder Behandlungsergebnissen erkennen. Ob sich daraus zuverlässige Vorhersagen für einzelne Patientinnen und Patienten ableiten lassen und diese klinische Entscheidungen verbessern, ist noch nicht belegt.

"Die Beschreibung des Zustands einer Patientin oder eines Patienten ist nur der erste Schritt", sagt Charlotte Bunne. Schwieriger sei es, vorherzusagen, wie sich ein Gewebe unter einer bestimmten Therapie verändert. In den kommenden Jahren will das Forschungsteam deshalb untersuchen, in welchen Fällen solche Vorhersagen klinische Entscheidungen tatsächlich verbessern können.

Übrigens: Die EPFL und die ETH Zürich arbeiten gemeinsam mit Schweizer Spitälern an einer nationalen KI-Plattform für die Präzisionsonkologie. Wie die Initiative Krebsdaten verknüpfen und personalisierte Behandlungen unterstützen soll, lesen Sie hier.