Zukunft

Dr. Martina Lutz – Präzisere Waffen gegen Tumoren

Für Martina Lutz hat die Zukunft der Krebsmedizin ein zentrales Stichwort: Präzision. Viele moderne Therapien greifen bereits gezielt in molekulare Prozesse von Tumorzellen ein. In den kommenden Jahrzehnten dürfte sich diese Entwicklung vor allem im Bereich therapeutischer Antikörper weiter verstärken. Diese Moleküle erkennen spezifische Strukturen auf Krebszellen und aktivieren entweder das Immunsystem oder greifen Tumoren direkt an. „In 50 Jahren könnte die Behandlung von Tumorerkrankungen deutlich präziser sein“, sagt Lutz. „Im Bereich innovativer therapeutischer Antikörper erwarte ich, dass diese nicht nur effizienter wirken, sondern auch besser verträglich werden.“ Mit jeder neuen Substanz wächst auch die Zahl möglicher Kombinationen. Therapien lassen sich dadurch zunehmend auf die Eigenschaften eines Tumors abstimmen – ein Ansatz, der in der Onkologie immer wichtiger wird. Überraschend gleich bleiben wird dabei vermutlich das Grundprinzip: Wir werden weiterhin versuchen, einen Schritt schneller zu sein als der Tumor. Krebszellen sind keine statischen Ziele. Sie weichen aus, passen sich an. Dieses Wechselspiel zwischen Therapie und Resistenz wird die Onkologie auch in 50 Jahren prägen.
Ein zweiter Fortschritt zeichnet sich in der Diagnostik ab. Neue Verfahren der funktionellen Bildgebung geben bereits heute Einblick in biologische Prozesse im Körper. In Zukunft könnten sie deutlich früher zeigen, ob eine Immuntherapie tatsächlich eine Reaktion auslöst.
„Solche Ansätze könnten früh sichtbar machen, ob eine effiziente Immunantwort erfolgt, und damit helfen, das Therapieansprechen vorherzusagen oder Behandlungen anzupassen“, erklärt Lutz. Besonders bei der Entwicklung neuer Antikörper erwartet sie eine starke Beschleunigung durch datengetriebene Methoden: „KI wird das Screening, Design und die funktionelle Optimierung von Antikörpern erheblich erleichtern und beschleunigen.“
Parallel entstehen experimentelle Modelle, die menschliche Gewebe immer realistischer nachbilden. Organoide oder sogenannte Organ-on-a-Chip-Systeme erlauben es, Krankheitsprozesse außerhalb des Körpers zu untersuchen: „Solche Modelle könnten auch dazu beitragen, die Notwendigkeit für Tierversuche zu reduzieren.“

PD Dr. Laura Hinze – Die Überlebensstrategien der Krebszellen

Laura Hinze richtet ihren Blick hingegen stärker auf den Gegner selbst. Krebszellen besitzen eine Eigenschaft, die ihre Behandlung besonders schwierig macht: Sie passen sich an. Tumoren verändern ihren Stoffwechsel, reagieren auf Stress und reorganisieren ihre zellulären Prozesse, sobald sie unter therapeutischen Druck geraten. „Eine der faszinierendsten – und gleichzeitig frustrierendsten – Eigenschaften von Krebszellen ist ihre enorme Anpassungsfähigkeit“, sagt Hinze.

Genau diese Anpassungsstrategien stehen im Mittelpunkt ihrer Forschung. Ein Teil ihrer Arbeit untersucht, wie Tumorzellen reagieren, wenn ihnen bestimmte Nährstoffe entzogen werden und welche Rolle dabei der gezielte Abbau von Proteinen spielt. Ziel ist ein besseres Verständnis der Mechanismen, mit denen Krebszellen Therapien überstehen. Laut Hinze eröffnet dieses Wissen langfristig neue Angriffspunkte für Behandlungen: „Ich glaube, dass wir in Zukunft sehr viel gezielter in solche Mechanismen eingreifen können. Therapien könnten dann nicht nur einzelne Gene oder Signalwege blockieren, sondern ganze Überlebensprogramme von Tumorzellen stören.“
Gemeint sind komplexe Systeme – etwa metabolische Netzwerke oder Stressreaktionen –, die Krebszellen helfen, widrige Bedingungen zu überstehen. Neue Technologien liefern dafür immer detailliertere Einblicke. Hochauflösende Einzelzellanalysen oder experimentelle Modelle des Tumormikromilieus zeigen bereits heute, wie unterschiedlich einzelne Krebszellen innerhalb eines Tumors funktionieren. Künftig werde man Tumoren nicht nur beschreiben, sondern ihre Reaktion auf eine Behandlung in bislang unerreichter Detailtiefe nachvollziehen können, erklärt Hinze: „In Zukunft könnten wir beobachten, wie sich Tumore unter Therapie verändern und welche Anpassungsstrategien einzelne Zellen entwickeln.“

Was die Medizin der Zukunft entscheidet

Die beiden Forscherinnen forschen an unterschiedlichen Stellen desselben Problems, doch in einem Punkt treffen sich ihre Perspektiven: Fortschritt entsteht nicht allein durch neue Technologien. Ebenso entscheidend sind die Bedingungen, unter denen Forschung stattfindet. Für Martina Lutz beginnt diese Diskussion bereits bei der Entwicklung neuer Therapien. Innovative Ansätze müssen nicht nur wirksam sein, sondern auch herstellbar, bezahlbar und logistisch umsetzbar. Gerade moderne Immuntherapien zeigen, wie anspruchsvoll diese Balance ist. Entscheidend sei, sagt Lutz, das richtige Verhältnis zwischen Breite und Präzision zu finden: „Es wird wichtig sein, die Balance zu finden zwischen ‚off-the-shelf‘-Medikamenten, die vielen schnell helfen können, und personalisierten Ansätzen, die sehr präzise sind, aber oft aufwendiger.“ Laura Hinze lenkt den Blick stärker auf die Grundlagen der Forschung. Viele therapeutische Durchbrüche gehen auf Erkenntnisse zurück, die ursprünglich aus reiner Neugier entstanden sind. Die eigentliche Weichenstellung liege deshalb schon heute in der Forschungsförderung, betont Hinze: „Die wichtigste Entscheidung betrifft vielleicht eine sehr einfache Frage: Haben wir den Mut, langfristig in translational ausgerichtete Grundlagenforschung zu investieren?“
Gerade scheinbar grundlegende Fragen – etwa wie Zellen mit Nährstoffmangel umgehen oder auf Stress reagieren – haben sich in der Krebsforschung immer wieder als entscheidend erwiesen, um Therapieresistenzen zu verstehen. Ohne diesen langen Atem, so wird in beiden Perspektiven deutlich, bleiben technologische Fortschritte Stückwerk.

Eine Konstante bleibt

So sehr sich Technologien, Methoden und Therapien verändern, eine Konstante bleibt: Biologie ist komplex, und wissenschaftlicher Fortschritt verläuft selten geradlinig.
„Auch in einer hoch technologisierten Medizin wird Forschung weiterhin von Neugier, Beobachtung und manchmal auch von unerwarteten Entdeckungen leben“, sagt Hinze. Die Medizin des Jahres 2075 beginnt deshalb vermutlich genauso wie die von heute: mit einer einfachen Frage im Labor: Warum verhält sich eine Zelle genau so – und nicht anders? 

Die Radiologie als Vorreiter der Digitalisierung

In einem Universitätsklinikum entstehen jeden Tag Tausende digitale radiologische Aufnahmen – CT-Scans, MRT-Bilder und Röntgenaufnahmen –, die randvoll mit Informationen sind. Selbst die erfahrenste Radiologin kann diese in der verfügbaren Zeit meist nicht vollständig erfassen. Genau hier kann Künstliche Intelligenz (KI) unterstützen: Sie extrahiert aus enormen Bilddatenmengen klinisch relevante Informationen, die dem menschlichen Auge verborgen bleiben oder deren manuelle Auswertung unverhältnismäßig aufwendig wäre. Am Institut für Diagnostische und Interventionelle Radiologie der TU München haben Lisa Adams und Keno Bressem mit der Forschungsgruppe „AI-Assisted Healthcare” (AIAH) ein interdisziplinäres Team aufgebaut, das KI-Anwendungen von der Grundlagenforschung bis in den klinischen Alltag entwickelt. Ihre Arbeit gliedert sich in zwei zentrale Säulen – bildbasierte und sprachbasierte KI –, die sich gegenseitig ergänzen und gemeinsam auf dasselbe Ziel hinarbeiten: eine Medizin, die präziser, schneller und näher am Menschen ist.

Bildbasierte KI. Algorithmen, die sehen lernen

In der Radiologie galten lange bestimmte Kompromisse als unvermeidlich: Weniger Strahlenbelastung bedeutete eine schlechtere CT-Bildqualität und kürzere MRT-Scanzeiten eine schlechtere Auflösung – zulasten der Patientinnen und Patienten sowie der Medizinerinnen und Mediziner. Wenn die Patientinnen und Patienten geschont werden sollten, führte dies zu schlechterem Bildmaterial für Diagnose und Behandlung. Wollten die Ärztinnen und Ärzte aussagekräftigere Aufnahmen, mussten sie ihre Patientinnen und Patienten einer stärkeren Strahlenbelastung aussetzen. Die KI-basierte Bildrekonstruktion hat diese Abwägungen überflüssig gemacht und ermöglicht heute bei niedrigerer Dosis und kürzeren Untersuchungszeiten bessere Bilder. Für Adams und Bressem war dies der entscheidende Moment: KI verändert nicht nur Prozesse, sondern auch das, was in der Medizin überhaupt möglich ist.
Seither haben wir diesen Ansatz konsequent weiterentwickelt. Deep-Learning-Algorithmen erkennen in MRT-Aufnahmen tumorverdächtige Läsionen in der Prostata und entzündliche Veränderungen bei axialer Spondyloarthritis mit einer Genauigkeit, die der von erfahrenen Radiologinnen nahekommt. Ein zentrales, von der Wilhelm Sander-Stiftung gefördertes Projekt wendet dieses Prinzip nun auf die Nierentumordiagnostik an. Etwa 15 Prozent aller operierten Nierentumoren erweisen sich im Nachhinein als gutartig, da die Bildgebung allein keine zuverlässige Unterscheidung ermöglicht. Ein multimodales KI-System, das Bilddaten mit Laborwerten und klinischen Informationen kombiniert, soll dies ändern und unnötige Operationen vermeiden. Die technische Grundlage dafür ist der MRSegmentator: ein von uns entwickeltes Modell, das über 40 anatomische Strukturen in CT- und MRT-Aufnahmen automatisch erkennt. Als Open-Source-Werkzeug steht es der internationalen Forschungsgemeinschaft frei zur Verfügung.

Sprachbasierte KI. Wenn Maschinen Befunde lesen und schreiben

Während bildbasierte KI die Diagnostik verändert, eröffnet sprachbasierte KI eine neue Dimension: die Kommunikation. Ein radiologischer Befund ist für die meisten Patientinnen und Patienten ein schwer begreifbares Dokument: dicht, fachsprachlich und oft beunruhigend. In einer prospektiven Studie mit 200 onkologischen Patientinnen und Patienten haben wir CT-Befunde mithilfe eines lokal betriebenen Sprachmodells in eine verständliche Sprache übersetzt. Die Wirkung war spürbar und wissenschaftlich messbar: Die kognitive Belastung sank signifikant und das Verständnis der eigenen Erkrankung verbesserte sich nachweislich.

„Mehrere Patienten äußerten, dass sie zum ersten Mal das Gefühl hätten, ihren radiologischen Befund vollumfänglich nachvollziehen zu können.”

Dieses Ergebnis, das in der Fachzeitschrift Radiology publiziert wurde, steht beispielhaft für das Potenzial großer Sprachmodelle (Large Language Models, LLMs) in der Medizin. Dabei handelt es sich um KI-Systeme, die menschliche Sprache verstehen und erzeugen können. Radiologische Befunde sind ein besonders geeignetes Anwendungsfeld dafür: Sie sind textbasiert, strukturiert und klinisch dicht. Mit „medAlpaca” hat unsere Gruppe eines der ersten frei verfügbaren medizinischen Sprachmodelle entwickelt. Wir haben gezeigt, dass LLMs Freitextbefunde automatisch in strukturierte Berichte überführen können – mehrsprachig und mit hoher Genauigkeit. Ergänzt wird dieser Ansatz durch RadioRAG: ein System, das Sprachmodelle mit einer Echtzeit-Wissenssuche in radiologischen Fachdatenbanken verknüpft. Dadurch wird sichergestellt, dass KI-generierte Antworten auf aktuellen Leitlinien und Fachliteratur basieren. Dass all dies innerhalb der gesicherten Infrastruktur des Klinikums möglich ist, ohne dass Patientendaten an externe Cloud-Dienste weitergegeben werden, ist dabei keine technische Randnotiz, sondern eine ethische Grundbedingung.

Ausblick. Vom Werkzeug zum Assistenten

Bild und Sprache zusammenzuführen, ist der nächste Schritt. Mit der Förderung der Wilhelm Sander-Stiftung entwickeln wir ein multimodales Foundation Model für die onkologische Bildgebung. Dabei handelt es sich um ein KI-System, das auf über 100.000 segmentierten CT- und MRT-Untersuchungen trainiert wird, um zu lernen, Tumorregionen von gesundem Gewebe zu unterscheiden. Foundation Models können anschließend mit minimalem Aufwand an spezifische klinische Fragestellungen angepasst werden. Damit bilden sie die Grundlage für eine neue Generation von KI-Assistenten, die mehrstufige Arbeitsabläufe eigenständig unterstützen: von der Protokollauswahl über die Bildanalyse bis zur Befunderstellung. Unser Ziel ist die Identifikation neuer bildbasierter Biomarker, die eine individuellere Therapieplanung in der Onkologie ermöglichen. Die ärztliche Expertise bleibt dabei unverwechselbar. KI ersetzt nicht die Radiologin oder den Radiologen, sondern verschafft ihnen Zeit für das, was wirklich zählt: die klinische Einordnung, das Gespräch mit Zuweisenden und die Betreuung komplexer Fälle. Die Förderung durch die Wilhelm Sander-Stiftung ermöglicht diese translationalen Projekte – von der KI-gestützten Nierentumordiagnostik und dem MRSegmentator bis hin zum multimodalen Foundation Model. Sie unterstützt Adams und Bressem dabei, innovative Technologien dort zu erproben, wo sie den größten Nutzen für Krebspatientinnen und -patienten entfalten können.