Kurzfassung

Forschende am Paul Scherrer Institut PSI haben ein KI-System namens VISTACT entwickelt, das Gewebebilder aus der Mikro-Computertomografie virtuell einfärbt – wie klassische histologische Präparate. Das System kombiniert Phasenkontrast-Mikro-CT mit maschinellem Lernen und wurde an Lungengewebe von Patienten mit Lungenhochdruck getestet. Die Studie erschien am 17. Juni 2026 im Journal of the Royal Society Interface. Das Verfahren ermöglicht zerstörungsfreie, dreidimensionale Gewebeanalyse ohne Anfertigung dünner Schnitte.

Personen

Themen

  • Künstliche Intelligenz in der Medizin
  • Pathologische Diagnostik
  • Computertomografie und Bildverarbeitung
  • Biomedizinische Forschung

Clarus Lead

Die Innovation adressiert ein Jahrhundert-altes Paradigma: Seit Rudolf Virchow die Zellularpathologie begründete, basiert die Krankheitsdiagnose auf zeitintensiver Analyse eingefärbter Gewebeschnitte. Die virtuelle 3D-Färbung könnte diesen Workflow fundamental verändern – sie verspricht Geschwindigkeit, Automatisierbarkeit und räumliche Vollständigkeit, die klassische Histologie nicht bietet. Für Tumorforschung, Gefässerkrankungen und komplexe Gewebearchitekturen eröffnet sich damit ein neues diagnostisches Fenster, auch wenn die Technik noch nicht klinische Routinereife erreicht hat.

Detaillierte Zusammenfassung

Das VISTACT-System beruht auf einer zweistufigen technischen Innovation. Erstens nutzt die Phasenkontrast-Mikro-CT (PCµCT) nicht nur Unterschiede in der Röntgendichte, sondern zusätzliche Informationen in der Strahlung selbst – dadurch erreicht sie Mikrometer-Auflösung bei Weichgewebe in 3D, liefert aber nur Graustufen. Zweitens trainierte das Team ein spezialisiertes KI-Modell (ein „conditional Generative Adversarial Network") mit Paaren aus echten histologischen Schnitten und den entsprechenden CT-Aufnahmen. Die KI lernte, welche mikroskopischen Muster typischerweise welche Färbung erhalten – und konnte dann neue CT-Daten automatisch virtuell einfärben.

Ein kritischer technischer Schritt war die präzise räumliche Zuordnung: Histologische Schnitte sind nur wenige Mikrometer dick und können beim Schneiden verzerrt werden. Lovrics Team entwickelte ein mehrstufiges Verfahren, das die genaue Position jedes Schnitts im 3D-Datensatz automatisch erkennt und mit den Histologiedaten abgleicht – deutlich präziser als bisherige Standardmethoden. Bei Tests an Lungengewebe von Patienten mit Lungenhochdruck (einer Erkrankung mit pathologischem Umbau der Lungengefässe) konnte das System veränderte Gefässregionen dreidimensional kartieren. Die KI differenzierte dabei plausibel zwischen Gewebekomponenten: Blut in Gefässen erschien gelblich, Kollagen rosa, Lungenoberflächen grau bis violett.

Allerdings bestehen noch erhebliche Hürden für den klinischen Einsatz. Die Phasenkontrast-Bildgebung erfolgte an der TOMCAT-Strahllinie der Synchrotron Lichtquelle Schweiz SLS – einer Grossforschungsanlage am PSI. Die Datenmengen sind enorm, und die Auflösung reicht oft noch nicht aus, um einzelne Zellkerne zuverlässig darzustellen. Zudem bleibt virtuelle Histologie eine statistische Rekonstruktion: Die KI erzeugt plausible Vorhersagen, keine echten histologischen Informationen. Diagnostische Routinequalität wird derzeit noch nicht erreicht. Das Team betont jedoch, dass der „Proof of Concept" erbracht ist und das Verfahren prinzipiell auf verschiedene Krankheiten übertragbar ist.

Kernaussagen

  • Technologischer Durchbruch: Erstmalige Kombination von Phasenkontrast-Mikro-CT mit KI-gestützter virtueller Färbung für 3D-Gewebeanalyse ohne Schnitte oder chemische Färbung
  • Klinisches Potenzial: Beschleunigte Erforschung von Krankheitsbiomarkern bei Tumoren, Gefässerkrankungen und komplexen Gewebearchitekturen
  • Reife-Einschränkung: Noch nicht routinefähig; erfordert derzeit Synchrotron-Strahlung und erreicht diagnostische Genauigkeit noch nicht

Kritische Fragen

  1. Evidenz/Datenqualität: Wie gross war das Trainingsdatenset für das KI-Modell, und wie repräsentativ sind die verwendeten Gewebeproben für die Variabilität echter Patientengewebe?

  2. Validierung gegen Gold-Standard: Wurden die virtuellen Färbungen systematisch gegen konventionelle Histologie validiert, um falsch-positive oder falsch-negative Diagnosen auszuschliessen?

  3. Technische Skalierbarkeit: Ist die Abhängigkeit von Synchrotron-Strahlung ein prinzipielles Hindernis, oder könnte die Methode auf konventionelle Mikro-CT-Geräte adaptiert werden?

  4. Statistische Grenzen: Welche spezifischen Gewebekomponenten oder Pathologien kann die KI zuverlässig darstellen, und wo versagt sie noch?

  5. Klinischer Workflow: Wie würde diese Technologie in den Routinealltag von Spitälern integriert – als Screening-Tool vor klassischer Histologie oder als Ersatz?

  6. Interessenskonflikte: Bestehen Patentanmeldungen oder Kommerzialisierungspläne, die die Verfügbarkeit für Forschung beeinflussen könnten?

  7. Nebenwirkungen/Risiken: Könnten automatisierte virtuelle Färbungen zu diagnostischen Fehlern führen, wenn Pathologen sich zu sehr auf die KI-Ausgabe verlassen?

Quellenverzeichnis

Primärquelle: Virtuelle Gewebefärbung in 3D – Paul Scherrer Institut PSI, 18.06.2026

Publikation: Almagro-Pérez, C., Peruzzi, N., Galambos, C. et al. (2026). Histology-guided 3D virtual staining of microCT-imaged lung tissue via deep learning. Journal of the Royal Society Interface, 17.06.2026. DOI: 10.1098/rsif.2025.1186

Verifizierungsstatus: ✓ 18.06.2026

Weitere Sprachen: Französisch | Englisch

Dieser Text wurde mit Unterstützung eines KI-Modells erstellt. Redaktionelle Verantwortung: clarus.news | Faktenprüfung: 18.06.2026