Millionen Zellen, aber keine gewöhnlichen Bilder
Bei der Diagnose von Blut- und Lymphdrüsenkrebs entstehen Datensätze mit Millionen einzelner Zellen. Gemessen werden sie unter anderem per Durchflusszytometrie. Laser erfassen dabei Merkmale wie bestimmte Proteine, die Zellgröße und die innere Struktur. Aus diesen Messwerten entsteht für jede Zelle ein digitales Profil – kein Foto, das eine Software lediglich nach auffälligen Formen durchsucht.
Die Auswertung ist anspruchsvoll. Geräte, Messzeitpunkte, Labore und unterschiedliche Antikörper-Panels können technische Abweichungen erzeugen. Diese Unterschiede müssen von biologischen Veränderungen getrennt werden. Genau hier setzt CytoVI an: Das probabilistische KI-Modell führt Daten aus verschiedenen Messreihen zusammen, gleicht technische Effekte rechnerisch aus und ordnet Zellen anhand ihrer Merkmale ein.
Entwickelt wurde das Verfahren von Forschenden des Universitätsklinikums Freiburg und des Weizmann Institute of Science in Israel. Die peer-reviewte Originalarbeit erschien am 30. September 2026 in Nature Methods. CytoVI ist als Open-Source-Software in die Plattform scvi-tools integriert. Andere Forschungsgruppen können den Code damit prüfen und für eigene Einzelzelldaten einsetzen.
Der klinische Test zeigt Potenzial – und klare Grenzen
Besonders nah am Klinikalltag war die Analyse von Routinedaten zur chronischen lymphatischen Leukämie, kurz CLL. CytoVI identifizierte typische Krebszellen automatisch. Nach Angaben des Universitätsklinikums stimmten die Ergebnisse sehr gut mit der manuellen Auswertung durch Fachärztinnen und Fachärzte überein.
In einem weiteren Datensatz mit 63 Patientinnen und Patienten mit unterschiedlichen B-Zell-Lymphomen erkannte das Modell T-Zell-Gruppen, die mit bestimmten Krankheitsformen verbunden waren. Dazu gehörte eine seltene Zellpopulation, die in der ursprünglichen manuellen Analyse nicht beschrieben worden war. Solche Befunde können Ausgangspunkte für die Suche nach Biomarkern oder möglichen therapeutischen Zielstrukturen sein. Sie sind aber noch kein Nachweis dafür, dass eine Behandlung dadurch bereits verbessert wird.
Auch für die Diagnostik selbst bleibt eine wichtige Einschränkung: Sehr wenige verbliebene Krebszellen nach einer Therapie sicher zu erkennen, ist weiterhin schwierig. Das Modell gibt deshalb zusätzlich an, wie zuverlässig es seine jeweilige Zuordnung einschätzt. Auffällige oder unsichere Fälle können gezielt ärztlich überprüft werden.
Die Forschenden formulieren den Einsatz entsprechend zurückhaltend. CytoVI soll die ärztliche Beurteilung unterstützen, nicht ersetzen. Die Studie beschreibt ein Analysewerkzeug und dessen Leistungsfähigkeit an mehreren Einzelzelldatensätzen. Sie ist keine prospektive klinische Studie, die einen Vorteil für Überleben, Therapieerfolg oder Behandlungsdauer belegt.
Warum die Vergleichbarkeit der Daten entscheidend ist
Ein möglicher Nutzen liegt nicht nur in der schnelleren Auswertung einzelner Proben. Kliniken sammeln über Jahre große Mengen an Durchflusszytometrie-Daten. Unterschiedliche Messbedingungen erschweren es bislang, diese Bestände gemeinsam auszuwerten. CytoVI soll technische Unterschiede so modellieren, dass biologische Muster besser vergleichbar werden.
Die Originalstudie zeigt außerdem, dass das Modell mit verschiedenen antikörperbasierten Einzelzellverfahren umgehen, fehlende Messwerte bestimmter Marker rechnerisch ergänzen und krankheitsbezogene Zellzustände suchen kann. Daraus ergibt sich ein Forschungswerkzeug für große Datensätze, nicht automatisch ein fertiges Medizinprodukt für jede Klinik.
Das Freiburger Team will CytoVI nun auf weitere Formen von Blutkrebs übertragen. Ob das Verfahren außerhalb der bislang untersuchten Datensätze gleich zuverlässig arbeitet, muss dabei jeweils neu geprüft werden. Ähnliche Fragen zu Sicherheit, Datenqualität und klinischer Prüfung stellen sich auch beim Heidelberger KI-Projekt ResPECT, das Patientenerfahrungen bei Brustkrebs und Depressionen strukturiert erfassen soll.
