KI diagnostiziert mehrere Erkrankungen anhand einer einzigen Blutprobe

Die medizinische Diagnostik kann komplex sein: Haben verschiedene Erkrankungen ähnliche Symptome, sind mitunter mehrere Labortests nötig, um die richtige Diagnose zu stellen. Das kann zeitaufwendig und teuer sein. Die Fortschritte der künstlichen Intelligenz (KI) in den letzten Jahren eröffnen innovative Ansätze, um dieses Problem zu überwinden.

Eine am 21. Februar 2025 in Science veröffentlichte Studie stellte ein bemerkenswertes KI-Werkzeug vor, das anhand einer einzigen Blutprobe mehrere Erkrankungen diagnostizieren kann.

Die verborgene Sprache des Immunsystems entschlüsseln

Forschende der Stanford University entwickelten einen Algorithmus, der Gene analysiert, die Immunzellrezeptoren kodieren. Damit lassen sich COVID-19, HIV, Typ-1-Diabetes und Lupus sowie die Reaktion auf eine Grippeimpfung zuverlässig erkennen.

Diese Erkrankungen und Zustände repräsentieren unterschiedliche Bereiche des Immunsystems: Virusinfektionen, Autoimmunerkrankungen, Impfantworten und einen gesunden Immunzustand. Sie sind teilweise schwer zu unterscheiden oder erzeugen ähnliche Immunreaktionen. Die Auswahl sollte die Fähigkeit des KI-Modells umfassend prüfen, feine Unterschiede zwischen Immunantworten zu erkennen.

Der Algorithmus namens „Machine Learning for Immunological Diagnosis“ (Mal-ID) analysiert genetische Daten von B-Zell- und T-Zell-Rezeptoren zur Diagnosestellung.

Prof. Dr. Scott Boyd, einer der leitenden Studienautoren, betont die Bedeutung der Arbeit: „Die Rezeptorsequenzen von Immunzellen liefern einzigartige diagnostische Informationen. Bisher wurden diese Sequenzen meist nur zur Diagnose von Krebserkrankungen verwendet, die von B- oder T-Zellen ausgehen“.

Die obige Abbildung fasst schrittweise zusammen, wie das neue KI-Werkzeug Krankheiten durch die Analyse von Blutproben diagnostiziert. Im Einzelnen:

Schritt 1: Gewinnung der B- und T-Zell-Rezeptorsequenzen

• Die Forschenden bestimmten aus Blutproben von 593 Teilnehmenden die Rezeptorsequenzen von B-Zellen (BHR) und T-Zellen (THR).
• Die Teilnehmenden repräsentierten sechs Immunzustände: COVID-19, HIV, Lupus, Typ-1-Diabetes, die Immunantwort nach einer Grippeimpfung und gesunde Personen.

2. Training dreier unterschiedlicher KI-Modelle

• Die Rezeptorsequenzen wurden mit drei Methoden untersucht:

  1. Zusammensetzung des Repertoires: Die Gesamtverteilung der B- und T-Zell-Rezeptoren im Immunsystem wurde analysiert.
  2. Clusteranalyse der CDR3-Sequenzen: Für die Antigenerkennung entscheidende Regionen (CDR3) wurden mittels Clusteranalyse untersucht.
  3. Sprachmodellierung: Rezeptorsequenzen wurden mit Sprachmodellen analysiert, um sprachähnliche Merkmale des Immunsystems zu entschlüsseln.

• Mit den Daten aus den drei Methoden wurden drei BHR- und drei THR-Modelle trainiert.

Erstellung eines kombinierten maschinellen Lernmodells

• Die trainierten Modelle wurden zu einem umfassenden Modell des maschinellen Lernens (ML) zusammengeführt.

Diagnose und Interpretation der Ergebnisse

• Das Modell wurde mit folgenden Schritten bewertet:
  • Kreuzvalidierung (Cross-Validation): Die Genauigkeit des Modells wurde bewertet.
  • Tests mit unabhängigen Datensätzen: Die Modellleistung wurde anhand externer Datensätze überprüft.
  • Vergleich mit der Literatur: Die aussagekräftigsten BHR- und THR-Sequenzen wurden mit Literaturdaten verglichen, um die Ergebnisse zu bestätigen.

Dieser Ansatz ermöglichte eine sehr genaue Diagnose mit einem AUROC-Wert von 0,986 und lieferte ein umfassendes Bild des Immunsystems. Künftig könnte die Methode viele Erkrankungen mit einem einzigen Test rasch und zuverlässig diagnostizieren.

Bemerkenswerte Studienergebnisse

Bei insgesamt 593 Personen wurden 23,5 Millionen T-Zell - und 16,2 Millionen B-Zell -Rezeptorsequenzen analysiert. Unter den Teilnehmenden waren:

• 63 Personen mit COVID-19

• 95 Personen mit HIV

• 86 Personen mit Lupus

• 92 Personen mit Typ-1-Diabetes

• 37 Personen mit kürzlich erfolgter Grippeimpfung

• 220 gesunde Kontrollpersonen.

Die Leistung des Algorithmus war bemerkenswert. Bei kombinierter Analyse von B- und T-Zell-Daten erreichte er eine Genauigkeit von 85,3% und einen AUROC-Wert von 0,986 (Fläche unter der Receiver-Operating-Characteristic-Kurve). Nur mit B-Zell-Daten betrugen Genauigkeit und AUROC 74,0% beziehungsweise 0,959; nur mit T-Zell-Daten lagen sie bei 75,1% beziehungsweise 0,952.

Dies zeigte, dass die Kombination von B- und T-Zell-Daten die diagnostische Empfindlichkeit erhöht. Bei COVID-19, HIV und der Grippeimpfung waren beispielsweise B-Zell-Rezeptoren informativer, bei Lupus und Typ-1-Diabetes zeigten T-Zell-Rezeptoren deutlichere Merkmale.

KI und Immunsystem: Die Entdeckung von Dialekten

Die Rezeptoren des Immunsystems gleichen individuellen sprachlichen Dialekten, die die Immunvorgeschichte eines Menschen speichern. KI-Sprachmodelle, etwa große Sprachmodelle hinter ChatGPT, können diese besonderen Dialekte besonders wirksam erschließen.

Klinisches Potenzial und Zukunftsperspektiven

Der innovative Ansatz ist noch nicht für den klinischen Einsatz bereit. Die Forschenden erwarten jedoch, dass er Zeit und Kosten der Krankheitsdiagnostik erheblich senken könnte. Die Analyse der Immunrezeptorsequenzen könnte außerdem die Entwicklung personalisierter Behandlungen für Autoimmunerkrankungen unterstützen.

Mitautor Maxim Zaslavsky betont das große Potenzial der KI, durch Analyse der Immunaktivität bei komplexen Zuständen wie Autoimmunerkrankungen die wirksamsten Behandlungen zu identifizieren.

Die Studie gilt als wichtiger Schritt, der mithilfe einer detaillierten Analyse des Immunsystems die Diagnostik und Therapie grundlegend weiterentwickeln könnte.