← Back to Blog

Virtuelle Biomarker: KI revolutioniert die Pathologie

by 21Stable Team

Die histopathologische Diagnostik steht vor einem Paradigmenwechsel. Neuere KI-Modelle können Proteinbiomarker direkt aus routinely gefärbten H&E-Schnitten vorhersagen – ohne dass zusätzliche immunhistochemische Färbungen erforderlich sind. Dieser Ansatz verspricht, die Patientenstratififizierung für zielgerichtete Therapien zu beschleunigen und die Kosten der Biomarker-Testung drastisch zu senken.

Problemstellung

Die klassische Immunhistochemie (IHC) ist zeitaufwendig, kostspielig und verbraucht wertvolles Tumorgewebe. Für jeden Biomarker ist eine separate Färbung erforderlich, was bei limitiertem Gewebe (z.B. Stanzbiopsien) schnell an die Grenzen stößt. Multiplex-Verfahren wie CODEX oder mIF sind noch aufwendiger und erfordern spezialisierte Geräte.

H&E-gefärbte Schnitte hingegen sind der Goldstandard in der klinischen Pathologie und routinemäßig verfügbar. Die Idee, aus diesen Schnitten zusätzliche molekulare Informationen zu extrahieren, ist seit Jahren ein Ziel der computational pathology.

Kernerkenntnis: HEX und virtuelle IHC

Auf dem AACR Annual Meeting 2026 und in *Nature Medicine* wurden Durchbrüche bei der AI-gestützten Biomarker-Vorhersage vorgestellt:

HEX (H&E to protein expression): Ein in *Nature Medicine* (Januar 2026) veröffentlichtes KI-Modell, das die Expression von 40 Proteinbiomarkern gleichzeitig aus H&E-Schnitten vorhersagen kann. Das Modell wurde an 755.000 Bild-Tiles mit gematchten CODEX-Daten trainiert und an 2.298 NSCLC-Patienten validiert[1].

Virtuelle Cyclin E1 IHC: Auf dem AACR 2026 präsentierte Debiopharm eine Deep-Learning-Plattform, die Cyclin E1 (CCNE1) Proteinüberexpression direkt aus H&E-Schnitten bei gynäkologischen Malignomen vorhersagen kann. Dies ist besonders relevant für die Patientenstratifizierung für WEE1-Inhibitor-Therapien[2].

Studiendesign und Methodik

HEX-Entwicklung

  • Training: 755.000 Bild-Tiles (50μm) aus NSCLC-Tumorproben mit gematchten CODEX (40-Antikörper-Panel) und H&E
  • Architektur: Pathology Foundation Model für simultane Vorhersage aller 40 Biomarker
  • Validierung: Zwei unabhängige Datensätze mit 372 Tumorproben, plus pan-cancer Validierung an 206 Proben aus 34 Gewebetypen

    • Virtuelle Cyclin E1 IHC

  • Training: Neuronale Netzwerke zur Erkennung morphologischer und nukleärer Features, die mit Cyclin E1 Expressionsintensität (0-3+) korrelieren
  • Validierung: H&E-Schnitte von Patientinnen mit High-Grade Serous Ovarian Carcinoma (HGSOC) und Uterine Serous Carcinoma (USC)
  • Klinischer Kontext: CCNE1-Amplifikation (Copy Number ≥6) korreliert mit Proteinüberexpression (H-Score >50) und erhöhter Sensitivität gegenüber WEE1-Inhibitoren

    • Klinische Relevanz

    Beschleunigte Patientenstratifizierung

    Die MYTHIC-Studie (NCT04855656), ebenfalls auf dem AACR 2026 vorgestellt, zeigte beeindruckende Ergebnisse bei Patient:innen mit CCNE1/FBXW7/PPP2R1A-Alterationen:

  • 81,3% der Ovarialkarzinom-Patient:innen mit relevanten genetischen Alterationen erreichten Tumor-Shrinkage
  • 93,8% Clinical Benefit Rate in dieser Subgruppe
  • 55,5% Tumor-Shrinkage bei allen RECIST-evaluierbaren Patient:innen[3]

    • Virtuelle IHC könnte die Identifikation dieser Patient:innen beschleunigen, indem sie ohne zusätzliche Gewebeprozessierung direkt aus vorhandenen H&E-Schnitten durchgeführt wird.

    Prognoseverbesserung

    HEX zeigte signifikante Verbesserung bei der Prognosevorhersage im Frühstadium von Lungenkrebs im Vergleich zu klinischen Risikofaktoren. Die prognostische Relevanz wurde zusätzlich an **12 weiteren Krebsarten** mit 5.019 Patient:innen bestätigt[1].

    Response-Prediction bei Immuntherapie

    Die HEX-generierten Biomarker-Verteilungen ermöglichen die Identifikation räumlicher Muster von Tumor-Immun-Nischen, die die Vorhersage des Ansprechens auf Immune-Checkpoint-Inhibitoren verbessern.

    Fazit

    Virtuelle Biomarker repräsentieren einen fundamentalen Fortschritt in der Pathologie:

  • **Kosten- und Zeiteffizienz:** Keine zusätzlichen Färbungen erforderlich
  • **Gewebeerhalt:** Wertvolles Tumorgewebe bleibt für weitere Analysen verfügbar
  • **Skalierbarkeit:** Routinemäßig verfügbare H&E-Schnitte als Grundlage
  • **Klinische Integration:** Ermöglicht schnellere Patientenstratifizierung für präzisionsonkologische Therapien

    • Die Validierung an großen Kohorten (über 7.000 Patient:innen in beiden Studien kombiniert) unterstreicht die klinische Reife dieser Technologie. Virtuelle Biomarker könnten bald zum Standard in der personalisierten Onkologie gehören.

    ---

    Key Findings

    Histopathological diagnostics is undergoing a paradigm shift. New AI models can predict protein biomarkers directly from routine H&E-stained slides – without requiring additional immunohistochemical stains. This approach promises to accelerate patient stratification for targeted therapies and dramatically reduce biomarker testing costs.

    The Breakthrough: HEX and Virtual IHC

    At the AACR Annual Meeting 2026 and in *Nature Medicine*, breakthroughs in AI-powered biomarker prediction were presented:

    HEX (H&E to protein expression): An AI model published in *Nature Medicine* (January 2026) that can predict the expression of 40 protein biomarkers simultaneously from H&E slides. The model was trained on 755,000 image tiles with matched CODEX data and validated in 2,298 NSCLC patients[1].

    Virtual Cyclin E1 IHC: At AACR 2026, Debiopharm presented a deep learning platform that predicts Cyclin E1 (CCNE1) protein overexpression directly from H&E slides in gynecological malignancies. This is particularly relevant for patient stratification for WEE1 inhibitor therapies[2].

    Clinical Impact

  • 81.3% tumor shrinkage in ovarian cancer patients with relevant genetic alterations (MYTHIC trial)
  • 93.8% clinical benefit rate in the CCNE1/FBXW7/PPP2R1A-altered subgroup
  • Prognostic utility validated across **12 additional cancer types** with 5,019 patients
  • Tissue-sparing: No additional staining required, preserving valuable tumor samples

    • ---

    Referenzen

    [1] L. Chen et al., "AI-enabled virtual spatial proteomics from histopathology for interpretable biomarker discovery in lung cancer," *Nature Medicine*, Jan 2026. DOI: 10.1038/s41591-025-04060-4

    [2] J. Fuchs et al., "Development of a virtual Cyclin E1 biomarker using Deep Learning from H&E slides for predicting Cyclin E1 overexpression in gynecological malignancy," AACR Annual Meeting 2026, Abstract nr 4155/5.

    [3] T.A. Yap et al., "First data disclosure of the Phase I trial of the first-in-class combination of WEE1 inhibitor zedoresertib with PKMYT1 inhibitor lunresertib in patients with advanced solid tumors harboring CCNE1, FBXW7, or PPP2R1A genomic alterations," AACR Annual Meeting 2026, Abstract nr CT022. ClinicalTrials.gov ID: NCT04855656.

    [4] A. Attinger et al., "Enhancing therapeutic efficacy and overcoming resistance with a novel dual-payload antibody-drug conjugate technology," AACR Annual Meeting 2026, Abstract nr 1683/12.