Ein umfassender Review fasst den aktuellen Stand von Human Digital Twins (HDTs) zusammen – virtuellen, kontinuierlich aktualisierten Abbildern einzelner Patienten, die Echtzeitdaten mit computergestützten Modellen verbinden. Die Technologie soll künftig Behandlungsverläufe vorhersagen, Therapien optimieren und die Planung klinischer Studien verbessern. Die Übersichtsarbeit identifiziert sowohl das Potenzial als auch zentrale technische, regulatorische und ethische Hürden auf dem Weg in die klinische Praxis. Hintergrund Die personalisierte Medizin erfordert Modelle, die individuelle biologische, genetische und klinische Merkmale berücksichtigen. Bisherige computergestützte Ansätze arbeiten meist mit populationsbasierten Durchschnittswerten oder statischen Simulationen. Human Digital Twins gehen darüber hinaus: Sie schaffen dynamische virtuelle Patientenmodelle, die durch kontinuierliche Datenzufuhr (Genomik, Bildgebung, Wearables, Laborwerte) laufend aktualisiert werden und prädiktive Simulationen ermöglichen. Technologische Grundlage HDTs beruhen auf einer mehrschichtigen Architektur. Auf der Datenebene werden genomische, bildgebende, sensorische und klinische Informationen zusammengeführt. Machine-Learning-Verfahren, insbesondere Deep-Learning- und Transformer-Modelle, erfassen komplexe nichtlineare Zusammenhänge.… 

Ein Forscherteam aus Indien hat ein neues KI-System vorgestellt, das Alzheimer-Erkrankungen frühzeitig erkennen soll – und dabei sowohl die Privatsphäre der Patienten schützt als auch nachvollziehbare Entscheidungen liefert. Das Modell namens FuzzyFed-CNN kombiniert Bildanalyse von MRT-Aufnahmen mit klinischen Daten in einem föderierten Lernansatz. Die Studie wurde in der Fachzeitschrift Frontiers in Artificial Intelligence veröffentlicht (DOI: 10.3389/frai.2026.1852196). Hintergrund Die Früherkennung von Alzheimer ist entscheidend, um den Krankheitsverlauf zu verlangsamen. Bisherige KI-Modelle analysieren meist nur MRT-Bilder oder klinische Daten zentral – was Datenschutzprobleme aufwirft und die Nachvollziehbarkeit der Entscheidungen erschwert. Zudem fehlt vielen Systemen die Fähigkeit, Unsicherheiten in klinischen Daten (z. B. bei MMSE-Werten oder Hippocampus-Volumen) angemessen zu berücksichtigen. Die Methode: FuzzyFed-CNN Das vorgeschlagene System verarbeitet zwei Datenströme parallel: Die beiden Feature-Vektoren werden fusioniert. Das Training erfolgt föderiert (Federated Learning) mit dem FedAvg-Algorithmus: Die teilnehmenden Kliniken trainieren lokal auf ihren eigenen Daten… 

Eine systematische Übersichtsarbeit und Meta-Analyse zeigt, dass Künstliche Intelligenz (KI) Tuberkulose (TB) anhand von Hustenaufnahmen mit hoher Genauigkeit erkennen kann. Die gepoolte Sensitivität lag bei 91 % und die Spezifität bei 89 %. Die Autoren sehen darin ein potenziell kostengünstiges und leicht zugängliches Screening-Tool für ressourcenarme Regionen. Die Studie wurde in der Fachzeitschrift Frontiers in Artificial Intelligence veröffentlicht. Hintergrund Tuberkulose ist weltweit die häufigste zum Tode führende Infektionskrankheit. Besonders in Ländern mit niedrigem und mittlerem Einkommen fehlt es oft an schnellen, günstigen und leicht verfügbaren Diagnoseverfahren. Der typische TB-Husten unterscheidet sich akustisch von Husten bei anderen Erkrankungen. KI-gestützte Analyse von Hustenaufnahmen könnte daher eine nicht-invasive, skalierbare Screening-Methode darstellen – insbesondere mithilfe von Smartphones. Methode und Ergebnisse Die Forscher werteten 14 Studien aus (hauptsächlich aus Asien und Afrika), die zwischen 2009 und 2024 veröffentlicht wurden. In sieben Studien mit ausreichenden Daten… 

Ein internationales Forscherteam hat in einem umfassenden Review die Kombination von Autofluoreszenz-Bildgebung (AF) mit Deep-Learning-Methoden als vielversprechenden Ansatz für die frühe, markerfreie Erkennung von Krankheiten beschrieben. Die Integration ermöglicht es, metabolische und mikrostrukturelle Veränderungen im Gewebe sichtbar zu machen, lange bevor klassische morphologische Veränderungen auftreten. Die Übersichtsarbeit wurde in der Fachzeitschrift Frontiers in Artificial Intelligence veröffentlicht. Hintergrund Viele Erkrankungen, darunter Krebsvorstufen, Diabetesfolgen und chronische Entzündungen, beginnen mit biochemischen und metabolischen Veränderungen im Gewebe. Diese frühen Veränderungen sind mit herkömmlichen bildgebenden Verfahren oft noch nicht sichtbar. Die Autofluoreszenz-Bildgebung nutzt die natürliche Fluoreszenz körpereigener Moleküle (z. B. NADH, FAD, Kollagen, Lipofuszin), um ohne Farbstoffe oder Kontrastmittel metabolische und strukturelle Informationen zu gewinnen. Deep-Learning-Algorithmen können diese komplexen optischen Signale analysieren und Muster erkennen, die dem menschlichen Auge verborgen bleiben. Technologische Grundlage Autofluoreszenz entsteht durch endogene Fluorophore, die Aufschluss über den Zellstoffwechsel, den Redox-Status,…