Xeno-Learning: Wenn die KI vom Tier lernt

Chirurginnen und Chirurgen stehen im OP vor einer zentralen Herausforderung: gesundes von krankem Gewebe zuverlässig zu unterscheiden und kritische Strukturen zu schonen.

Die Spektralbildgebung gilt dabei als vielversprechendes Werkzeug, weil sie Informationen liefert, die dem menschlichen Auge verborgen bleiben – etwa zur Durchblutung oder zum Sauerstoffgehalt von Gewebe.

Um diese hochdimensionalen Bilddaten klinisch nutzbar zu machen, braucht es KI-Modelle, die bislang mit annotierten Patientendaten trainiert werden müssen. Das Problem: Solche Datensätze sind oft schwer oder gar nicht verfügbar – aus ethischen, rechtlichen und praktischen Gründen.

Genau hier setzt ein neues Verfahren an, das Forschende vom Deutschen Krebsforschungszentrum und vom Universitätsklinikum Heidelberg entwickelt haben: Xeno-Learning. Die Idee dahinter ist, KI zunächst mit umfangreichen, standardisierten Bilddatensätzen aus Tierversuchen zu trainieren – und dieses Wissen anschliessend auf den Menschen zu übertragen.

Der Knackpunkt: Absolute Gewebesignaturen unterscheiden sich zwischen Mensch, Schwein und Ratte deutlich. «Aber wir konnten zeigen, dass sich die Veränderungen bei Durchblutungsstörungen oder Kontrastmittelgaben in allen Spezies ähnlich verhalten. Genau diese relativen Veränderungen machen wir uns zunutze», erklärt Studienleiterin Lena Maier-Hein.

In der Studie analysierte das Team mehr als 13’000 hyperspektrale Bilder. Während klassische Modelle, die nur mit tierischen Daten trainiert wurden, beim Menschen versagten, konnte der neue Ansatz diese Hürde überwinden: Die KI erkannte pathologische Veränderungen im menschlichen Gewebe, obwohl sie nie mit entsprechenden Patientendaten trainiert worden war.

Der Ansatz könnte vor allem dort relevant werden, wo menschliche Trainingsdaten fehlen oder aus ethischen und rechtlichen Gründen kaum verfügbar sind. «Dies ist ein wichtiger Schritt, um chirurgische Eingriffe in Zukunft sicherer und präziser zu machen», sagt Alexander Studier-Fischer von der Urologischen Klinik des Universitätsklinikums Mannheim, der die klinischen Aspekte des Projekts leitete.

Damit ihr neuer Ansatz möglichst bald Einzug in den OP halten kann, haben die DKFZ-Forschenden den Programmcode und die vortrainierten Modelle anderen Wissenschaftlerinnen und Wissenschaftlern zugänglich gemacht.