idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Forschende am Deutschen Krebsforschungszentrum (DKFZ) und vom Universitätsklinikum Heidelberg (UKHD) stellen eine Methode vor, mit der künstliche Intelligenz (KI) lernen kann, medizinische Bilddaten vom Tier auf den Menschen zu übertragen. Das sogenannte „Xeno-Learning“ könnte zukünftig dazu beitragen, chirurgische Eingriffe sicherer und präziser zu machen – ohne dabei auf menschliche Trainingsdaten angewiesen zu sein.
Eine der größten Herausforderungen für Chirurgen ist die visuelle Beurteilung von Geweben, beispielsweise, um zwischen pathologischen und gesunden Bereichen zu unterscheiden oder kritische Strukturen zu schonen. Als Mittel zur Überwindung der Grenzen der visuellen Wahrnehmung gilt die Spektralbildgebung. Moderne hyperspektrale Kameras erfassen mehr Informationen als das menschliche Auge – etwa über die Durchblutung oder den Sauerstoffgehalt von Geweben.
Um die hochdimensionalen Spektraldaten in klinisch verwertbare Informationen zu überführen, ist der Einsatz künstlicher Intelligenz (KI) erforderlich. Doch damit KI-Algorithmen diese Daten sinnvoll nutzen können, brauchen sie große Mengen an „annotierten“ Bilddaten. Darunter verstehen Experten Datensätze, die von Medizinern mit zusätzlichen Informationen versehen wurden, um sie für maschinelles Lernen oder andere datenbasierte Analysen nutzbar zu machen. Solche Datensätze sind von Patientinnen und Patienten jedoch oft schwer oder gar nicht verfügbar – aus ethischen, rechtlichen und praktischen Gründen.
Gleichzeitig stehen aus Tierversuchen riesige standardisierte Bilddatensätze zur Verfügung, in denen gezielt verschiedene Gewebeveränderungen erzeugt und untersucht wurden. Genau hier setzt das Xeno-Learning an: Die Methode nutzt tierische Bilddaten, um die KI gezielt auf typische Veränderungen wie Durchblutungsstörungen vorzubereiten – und überträgt dieses Wissen dann auf den Menschen.
Wissenstransfer über Artgrenzen hinweg
„Die Herausforderung war, dass die Gewebesignaturen von Mensch, Schwein und Ratte sich in den absoluten Werten stark unterscheiden“, erklärt Studienleiterin Lena Maier-Hein, Abteilungsleiterin am DKFZ und Direktorin am NCT Heidelberg. „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.“
In der Studie analysierten die Forschenden über 13.000 hyperspektrale Bilder von Menschen, Schweinen und Ratten – ein bislang einzigartiger Datensatz. Dabei zeigte sich: Klassische KI-Modelle, die mit tierischen Daten trainiert wurden, versagen beim Menschen. Mit dem neuen Xeno-Learning-Ansatz konnte diese Hürde jedoch überwunden werden. Die KI lernte nicht die absoluten Farbmuster, sondern die Veränderungsmuster bei bestimmten pathologischen Zuständen – und konnte dieses Wissen erfolgreich auf menschliches Gewebe anwenden.
Die Forschenden sehen großes Potenzial für die Anwendung in der Chirurgie: „Xeno-Learning ermöglicht den Einsatz von Spektralbildgebung auch dort, wo menschliche Daten fehlen“, so Maier-Hein, die auch eine Forschungsgruppe am Universitätsklinikum Heidelberg leitet. „Das ist ein wichtiger Schritt, um chirurgische Eingriffe in Zukunft sicherer und präziser zu machen.“
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.
Jan Sellner*, Alexander Studier-Fischer*, Ahmad Bin Qasim, Silvia Seidlitz, Nicholas Schreck, Minu Tizabi, Manuel Wiesenfarth, Annette Kopp-Schneider, Janne Heinecke, Jule Brandt, Samuel Knödler, Caelan Max Haney, Gabriel Salg, Berkin Özdemir, Maximilian Dietrich1, Maurice Stephan Michel, Felix Nickel, Karl-Friedrich Kowalewski, Lena Maier-Hein: Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis.
* geteilte Erstautorschaft
Nature Biomedical Engineering 2026, DOI: 10.1038/s41551-025-01585-4
Das Deutsche Krebsforschungszentrum (DKFZ) ist mit mehr als 3.000 Mitarbeiterinnen und Mitarbeitern die größte biomedizinische Forschungseinrichtung in Deutschland. Wissenschaftlerinnen und Wissenschaftler erforschen im DKFZ, wie Krebs entsteht, erfassen Krebsrisikofaktoren und suchen nach neuen Strategien, die verhindern, dass Menschen an Krebs erkranken. Sie entwickeln neue Methoden, mit denen Tumoren präziser diagnostiziert und Krebspatienten erfolgreicher behandelt werden können. Beim Krebsinformationsdienst (KID) des DKFZ erhalten Betroffene, Interessierte und Fachkreise individuelle Antworten auf alle Fragen zum Thema Krebs.
Um vielversprechende Ansätze aus der Krebsforschung in die Klinik zu übertragen und so die Chancen von Patientinnen und Patienten zu verbessern, betreibt das DKFZ gemeinsam mit exzellenten Universitätskliniken und Forschungseinrichtungen in ganz Deutschland Translationszentren:
Nationales Centrum für Tumorerkrankungen (NCT, 6 Standorte)
Deutsches Konsortium für Translationale Krebsforschung (DKTK, 8 Standorte)
Hopp-Kindertumorzentrum (KiTZ) Heidelberg
Helmholtz-Institut für translationale Onkologie (HI-TRON) Mainz – ein Helmholtz-Institut des DKFZ
DKFZ-Hector Krebsinstitut an der Universitätsmedizin Mannheim
Nationales Krebspräventionszentrum (gemeinsam mit der Deutschen Krebshilfe)
Das DKFZ wird zu 90 Prozent vom Bundesministerium für Forschung, Technologie und Raumfahrt und zu 10 Prozent vom Land Baden-Württemberg finanziert und ist Mitglied in der Helmholtz-Gemeinschaft Deutscher Forschungszentren.
Ansprechpartner für die Presse:
Dr. Sibylle Kohlstädt
Pressesprecherin
Strategische Kommunikation und Öffentlichkeitsarbeit
Deutsches Krebsforschungszentrum
Im Neuenheimer Feld 280
69120 Heidelberg
T: +49 6221 42 2843
E-Mail: S.Kohlstaedt@dkfz.de
E-Mail: presse@dkfz.de
www.dkfz.de
Jan Sellner*, Alexander Studier-Fischer*, Ahmad Bin Qasim, Silvia Seidlitz, Nicholas Schreck, Minu Tizabi, Manuel Wiesenfarth, Annette Kopp-Schneider, Janne Heinecke, Jule Brandt, Samuel Knödler, Caelan Max Haney, Gabriel Salg, Berkin Özdemir, Maximilian Dietrich1, Maurice Stephan Michel, Felix Nickel, Karl-Friedrich Kowalewski, Lena Maier-Hein: Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis.
* geteilte Erstautorschaft
Nature Biomedical Engineering 2026, DOI: 10.1038/s41551-025-01585-4
Criteria of this press release:
Journalists
Biology, Medicine
transregional, national
Research results, Scientific Publications
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
