Was das Immunsystem über uns verrät, Hochschule für Life Sciences FHNW

Genau daran arbeitet das Artificial Intelligence for Health Laboratory (aiHealthLab) am Institut für Medizintechnik und Medizininformatik der Hochschule für Life Sciences FHNW. Unter der Leitung von Prof. Dr. Enkelejda Miho verbindet das Forschungsteam Immunologie und Medizin mit Bioinformatik, Datenanalyse und künstlicher Intelligenz.
«Wir übersetzen das Immunom in medizinisch nutzbare Anwendungen», sagt Miho. Das Immunom beschreibt vereinfacht die enorme Vielfalt der B- und T-Zell-Rezeptoren unseres Immunsystems. Diese lässt sich beispielsweise aus einer Blut- oder Knochenmarksprobe analysieren. Die Forschenden suchen darin nach charakteristischen Mustern, die Hinweise auf Krankheiten oder den Verlauf einer Erkrankung geben können.
Dabei geht es nicht darum, möglichst viel KI einzusetzen. Entscheidend ist vielmehr, unterschiedliche Informationen so zusammenzubringen, dass daraus medizinisch relevantes Wissen entsteht.

Ein einzelner Laborwert kann viel verraten. Für komplexe Erkrankungen reicht er jedoch häufig nicht aus. Deshalb kombiniert das aiHealthLab unterschiedliche Datenquellen: klinische Informationen und Laborwerte ebenso wie genetische, immunologische und weitere molekulare Daten.
Man kann sich diese Informationen wie verschiedene Schichten vorstellen. Auf der einen Ebene stehen die Daten aus der Klinik, auf einer anderen die Informationen aus dem Erbgut oder dem Stoffwechsel. Hinzu kommen Daten über die Immunreaktion des Körpers. Erst wenn diese unterschiedlichen Ebenen miteinander verbunden werden, können Zusammenhänge sichtbar werden, die in einzelnen Datensätzen verborgen bleiben.
Miho spricht deshalb von «integrierter Intelligenz». Damit meint sie nicht einfach ein leistungsfähiges KI-Modell. «Es bedeutet, verschiedene Intelligenzschichten zusammenzuführen: die biologische Intelligenz des adaptiven Immunsystems, die klinische Intelligenz der Ärztin oder des Arztes, die statistische und netzwerktheoretische Intelligenz der Immuninformatik und schliesslich maschinelles Lernen.»
Die KI ist damit ein Werkzeug innerhalb eines grösseren Systems. Am Anfang steht nicht die Frage, welcher Algorithmus eingesetzt werden könnte, sondern welches medizinische Problem gelöst werden soll.

Besonders interessant ist dieser Ansatz bei Erkrankungen, die schwierig zu diagnostizieren sind. Autoimmunerkrankungen wie rheumatoide Arthritis oder systemischer Lupus erythematodes können ähnliche und zunächst unspezifische Symptome verursachen. Bis eine eindeutige Diagnose vorliegt, kann viel Zeit vergehen.
Genau hier kann die Kombination verschiedener Daten helfen. Statt nur einzelne auffällige Werte zu betrachten, analysiert die KI zahlreiche kleine Hinweise gleichzeitig und sucht nach charakteristischen Mustern.
Das aiHealthLab hat dafür gemeinsam mit klinischen Partnern Daten aus unterschiedlichen Quellen zusammengeführt. Dazu gehören klinische Angaben, Laborwerte sowie Informationen aus Genom, Immunom und Stoffwechsel. In den untersuchten Datensätzen erhöhte die Kombination dieser unterschiedlichen Informationen die Vorhersagegenauigkeit der Modelle auf bis zu 96 Prozent.
Aus dieser Forschung entstand «Personalis», eine webbasierte Plattform zur klinischen Entscheidungsunterstützung. Sie soll nicht einfach eine Diagnose ausgeben. Vielmehr macht sie sichtbar, welche Faktoren zu einer Vorhersage beigetragen haben.
Das ist entscheidend. Denn gerade in der Medizin reicht es nicht, wenn ein Algorithmus rechnerisch richtig liegt. Ärzt*innen müssen nachvollziehen können, wie ein Ergebnis zustande kommt und es im klinischen Kontext beurteilen können.

Wie viel sich aus dem Immunsystem herauslesen lässt, zeigt auch die Forschung zur AL-Amyloidose. Bei dieser seltenen Erkrankung produzieren krankhaft veränderte Plasmazellen bestimmte Eiweisse, sogenannte Leichtketten, die sich im Körper ablagern und Organe schädigen können.
Gemeinsam mit klinischen Partnern untersucht das aiHealthLab, ob sich der dafür verantwortliche Zellklon anhand seiner charakteristischen Antikörpersequenz identifizieren lässt. Mit der Methode SMaRT M-Seq gelang dies in einer untersuchten Kohorte bei allen 84 Patient*innen mit AL-Amyloidose. Darunter befanden sich auch Fälle, bei denen herkömmliche Untersuchungen kein entsprechendes M-Protein nachweisen konnten.
Für Miho sind solche Resultate besonders eindrücklich:

Langfristig reicht die Vision deshalb weiter. Statt für jede mögliche Erkrankung einen separaten Test durchzuführen, könnte das Immunom Hinweise auf unterschiedliche Krankheiten liefern. Infektionen, Autoimmunerkrankungen oder bestimmte Krebserkrankungen hinterlassen unterschiedliche Spuren im Immunsystem. Gelingt es, diese zuverlässig zu lesen, könnte eine Blutprobe künftig wesentlich mehr Informationen liefern als heute.
Noch ist dieser universelle Bluttest eine Vision. Die einzelnen Bausteine dafür werden jedoch bereits weltweit erforscht und es gibt dazu verschiedene Forschungspublikationen.

Eine weitere Rolle spielen sogenannte digitale Zwillinge. Der Begriff klingt zunächst nach einem vollständigen virtuellen Doppel eines Menschen, an dem sich Krankheiten und Therapien simulieren lassen. So weit ist die Forschung noch nicht.
Im aiHealthLab werden heute unter anderem künstlich erzeugte Patient*innen-Daten eingesetzt. Sie können helfen, wenn für eine Erkrankung nur wenige reale Daten zur Verfügung stehen oder bestimmte Patient*innen-Gruppen in einem Datensatz stark untervertreten sind. Modelle lernen aus vorhandenen Daten, wie bestimmte Merkmale statistisch zusammenhängen, und erzeugen daraus neue synthetische Datensätze.
Diese virtuellen Patient*innen ersetzen keine realen Menschen und keine klinischen Studien. Sie können aber dabei helfen, Datensätze ausgewogener zu gestalten und KI-Modelle robuster zu entwickeln.
Die langfristige Idee geht weiter: ein digitaler Zwilling, der klinische Informationen, klassische und digitale Biomarker sowie Informationen über das Immunsystem eines Menschen über längere Zeit zusammenführt. Ein solches digitales Abbild könnte eines Tages dabei helfen, Krankheits- und Therapieverläufe besser zu verstehen oder verschiedene Szenarien zu simulieren und zu untersuchen.
Heute ist dieser umfassende digitale Zwilling noch Zukunftsmusik. «Der Zwilling ist heute ein Forschungsinstrument und ein Zielbild», sagt Miho. Dafür fehlen unter anderem noch standardisierte Daten über längere Zeiträume und Gesundheitsdaten, die sich über verschiedene Systeme hinweg zuverlässig miteinander verbinden lassen.

Das aiHealthLab nutzt künstliche Intelligenz nicht nur für die Diagnostik. Ein zweiter Forschungsbereich beschäftigt sich mit der Frage, wie sich aus riesigen Datenmengen neue therapeutische Kandidaten herausfiltern lassen.
Ein Beispiel ist Dengue. Nach einer Infektion oder Immunisierung bildet das Immunsystem eine enorme Vielfalt unterschiedlicher Antikörper. Darunter könnten sich solche befinden, die für die Entwicklung neuer Therapeutika besonders interessant sind. Doch sie in Millionen von Sequenzen zu finden, gleicht der Suche nach der sprichwörtlichen Nadel im Heuhaufen.
Hinzu kommt: Der interessanteste Antikörper ist nicht zwingend der häufigste. Seltene Sequenzen können besonders wertvolle Eigenschaften besitzen und bei einer klassischen Auswahl nach Häufigkeit übersehen werden.
Hier kommen Netzwerkanalysen und maschinelles Lernen ins Spiel. Sie helfen, auffällige Muster zu erkennen und vielversprechende Antikörper zu priorisieren. Im Dengue-Projekt konnte das Team so auch seltene Kandidaten identifizieren.
Danach übernimmt jedoch nicht einfach die KI.
Die ausgewählten Antikörper müssen hergestellt und im Labor getestet werden. Binden sie tatsächlich an das Virus? Können sie es neutralisieren? Treten unerwünschte Effekte auf? Und finden sich ähnliche Antikörper auch beim Menschen?
Datenanalyse, KI und Labor bilden deshalb einen Kreislauf. Ergebnisse aus dem Labor fliessen wieder zurück in die Modelle und helfen, deren Vorhersagen zu überprüfen und weiterzuentwickeln.
Miho bringt diese Arbeitsteilung auf einen einfachen Nenner: «KI klassifiziert Milliarden von Sequenzen nach Eigenschaften wie «bindend/nicht-bindend», «toxisch/nicht-toxisch» und «entwickelbar/nicht-entwickelbar». Das Labor filtert Dutzende von KI-Treffern und wählt wenige Moleküle aus, die sich in der Praxis bewährt haben. Was mit Milliarden von Sequenzen beginnt, könnte eines Tages einem Menschen ganz konkret helfen.»

So beeindruckend die Möglichkeiten sind, die grösste Herausforderung liegt häufig nicht im KI-Modell selbst. Gesundheitsdaten stammen aus unterschiedlichen Kliniken, Laboren und Messsystemen. Sie werden unterschiedlich erhoben, gespeichert und ausgewertet. Manche Patient*innen-Gruppen sind in Datensätzen stark vertreten, andere kaum. Informationen fehlen oder lassen sich nicht direkt vergleichen.
Ein grosser Teil der Forschungsarbeit besteht deshalb darin, Daten auszuwählen, aufzubereiten, zu standardisieren und sinnvoll miteinander zu verbinden. Erst danach lässt sich untersuchen, welche Kombination für eine bestimmte medizinische Frage tatsächlich aussagekräftig ist.
Das ist mehr als eine technische Detailfrage. Ein Algorithmus kann in einem Spital hervorragende Resultate liefern und in einem anderen deutlich schlechter funktionieren, wenn Daten dort anders erhoben oder verarbeitet werden.
«Ohne Standardisierung bleibt KI lokal brillant und klinisch nicht übertragbar», sagt Miho.
Aus diesem Grund sind Datenqualität, Vergleichbarkeit, Datenschutz, Erklärbarkeit und regulatorische Anforderungen von Anfang an Teil des Forschungsradars des aiHealthLab. Tatsächlich hat die Forschung von Mihos Gruppe gezeigt, dass selbst bei identischen Daten, die mit unterschiedlichen Werkzeugen vorverarbeitet wurden, 20 % der Daten übereinstimmen, wenn sie zu Beginn in das ML-Modell eingespeist werden. Denn aus einem erfolgreichen KI-Modell wird nicht automatisch ein medizinisches Produkt. Soll Software später klinische Entscheidungen unterstützen, muss sie zuverlässig funktionieren, nachvollziehbar sein und regulatorische Anforderungen erfüllen.

Diese Forschung lässt sich kaum einer einzelnen Disziplin zuordnen. Im aiHealthLab arbeiten Fachpersonen aus Life Sciences, Medizininformatik und angewandter KI zusammen. Zum Team gehören unter anderem Jan Kruta, der an maschinellem Lernen für die Autoimmundiagnostik und an klinischer Immuninformatik für seltene Erkrankungen arbeitet, sowie Nicolas Bopp, der an der Personalis-Software mitentwickelt. Aurora Eliana Merulla arbeitet daran, einen digitalen «Immune Twin» zu entwickeln. Weitere Forschende beschäftigen sich mit Antikörperforschung, Bioinformatik und maschinellem Lernen.
Gefragt sind Kenntnisse in Sequenzierung und Laborarbeit ebenso wie Statistik, Immuninformatik, Machine Learning, Softwareentwicklung, Qualitätsmanagement und Medizinprodukte-Regulatorik. Gleichzeitig arbeitet das Team mit Fachpersonen aus Rheumatologie, Hämatologie, Infektiologie und Pathologie zusammen.
Für Miho ist gerade diese Verbindung entscheidend. Forschende müssten übersetzen können, sagt sie: zwischen Biologie und Klinik, zwischen statistischer Genauigkeit und medizinischem Nutzen, zwischen Softwareentwicklung und regulatorischen Anforderungen.
Auch generative KI verändert diese Arbeit. Grosse Sprachmodelle können beispielsweise beim Programmieren, bei der Strukturierung wissenschaftlicher Literatur oder bei der verständlichen Aufbereitung von Ergebnissen unterstützen. Die medizinische Entscheidung können und sollen sie jedoch nicht übernehmen. Gerade weil sich Analysen heute schneller erzeugen lassen, wird die sorgfältige Überprüfung der Resultate wichtiger. Miho betont, dass kritisches, unabhängiges Denken für Forscher*innen und jeden Einzelnen zu einer unverzichtbaren Fähigkeit geworden ist – insbesondere jetzt, da allgemein zugängliche grosse Sprachmodelle die breite Masse leicht davon überzeugen können, welchen Weg sie einschlagen soll, und sofortigen und einfachen Zugang zu scheinbar plausiblen Ergebnissen bieten.

Diese Verbindung verschiedener Kompetenzen macht das aiHealthLab auch für Spitäler und Unternehmen interessant. Kooperationen können bei der KI-gestützten Diagnostik und medizinischen Software ansetzen, bei der Suche nach neuen Antikörpern oder bei der Frage, wie Gesundheitsdaten für Forschung und digitale klinische Studien nutzbar gemacht werden können.
Dabei müssen Partner nicht bereits über riesige, perfekt strukturierte Datensätze verfügen. Sinnvoll ist eine Zusammenarbeit laut Miho möglichst früh, wenn die medizinische Fragestellung bereits klar ist, Datenerhebung, Analysemethoden und Softwarearchitektur aber noch gestaltet werden können.
Das Forschungsteam begleitet Projekte von der medizinischen Fragestellung über Datenintegration und den Vergleich verschiedener Modelle bis zur Validierung. Je nach Projekt kann am Ende eine medizinische Software, ein validiertes Analyseverfahren oder eine Auswahl vielversprechender Wirkstoffkandidaten stehen.
Die besondere Stärke liegt dabei in der Verbindung von biologischer Forschung, klinischer Anwendung und digitaler Entwicklung. Genau an diesen Schnittstellen entscheidet sich, ob aus Daten tatsächlich medizinischer Nutzen entsteht.

In den kommenden Jahren erwartet Miho vor allem eine stärkere Annäherung dieser Forschung an den klinischen Alltag. Immunprofile könnten mit klinischen Daten und Multi-Omics-Informationen verbunden werden, um Ärzt*innen bei klar definierten diagnostischen Fragen zu unterstützen. Digitale Zwillinge könnten helfen, Krankheitsverläufe und klinische Studien besser abzubilden. Generative Modelle könnten synthetische Patient*innen-Daten erzeugen oder bei der Suche nach neuen Molekülen helfen.
Doch die entscheidende Entwicklung dürfte nicht darin bestehen, dass KI immer mehr Aufgaben übernimmt.
Es geht darum, biologische, klinische und digitale Informationen so zusammenzuführen, dass sie verlässliche und nachvollziehbare Entscheidungen ermöglichen. Das ist der Kern dessen, was das aiHealthLab unter integrierter Intelligenz versteht.
Und vielleicht liegt genau darin die spannendste Perspektive: Nicht die Maschine soll die Medizin verstehen lernen. Vielmehr helfen neue digitale Werkzeuge dabei, genauer zu lesen, was der menschliche Körper längst über sich selbst erzählt.