Forscher des Deutschen Krebsforschungszentrums (DKFZ) und der Universität Heidelberg haben spezialisierte Endothelzellen in den Blutgefäßen von Lebermetastasen identifiziert. Diese Zellen können T-Zellen anlocken und so die Immunantwort gegen den Tumor verstärken. Hintergrund Immuntherapien zielen darauf ab, körpereigene Abwehrzellen – insbesondere T-Zellen – gegen Krebszellen zu richten. Viele Tumoren, vor allem Lebermetastasen, sind jedoch immunologisch „kalt“: T-Zellen dringen nur schlecht in das Gewebe ein. Die Rolle der Blutgefäße bei der Steuerung dieser Immunzell-Einwanderung war bislang unklar. Die Entdeckung Das Team um Hellmut Augustin fand in den Gefäßen von Lebermetastasen eine spezielle Population von Endothelzellen, die das Enzym Lipoproteinlipase (LPL) produzieren. Diese Zellen präsentieren Tumorantigene und erleichtern den T-Zellen den Eintritt in den Tumor. In Mausmodellen führte eine erhöhte LPL-Expression zu stärkerer T-Zell-Infiltration und Tumorregression. Wurde LPL genetisch ausgeschaltet, schwächte sich die Immunantwort ab. Ergebnisse an menschlichen Proben Auch in menschlichen Lebermetastasen… 

Forscher des MD Anderson Cancer Center haben ein KI-gestütztes Verfahren entwickelt, das mehrere tumorversorgende Arterien identifiziert und die gezielte Verabreichung experimenteller Therapien verbessert. Die Methode erreichte in ersten Fällen eine deutlich bessere Tumorabdeckung als herkömmliche Ansätze. Hintergrund Bei der intraarteriellen Therapie von Hirntumoren wird ein Katheter verwendet, um Medikamente direkt über Arterien in den Tumor zu bringen. Bisher wurde meist nur eine einzelne Arterie genutzt. Viele Tumoren werden jedoch von mehreren Gefäßen versorgt, sodass eine einzelne Arterie nur einen Teil des Tumors erreicht. Eine vollständigere Abdeckung könnte die Wirksamkeit der Therapie steigern und Nebenwirkungen verringern. Die neue Technik Die KI-gestützte Methode analysiert Bilddaten, um alle tumorversorgenden Arterien (Pedikel) zu identifizieren. Nach Bestätigung durch weitere Bildgebung wird die Therapie dosiert auf die einzelnen Gefäße verteilt. Dies ermöglicht eine patientenspezifische Behandlung, die die Tumorversorgung besser berücksichtigt. Ergebnisse Bei drei Patienten mit malignen… 

Forscher der Johns Hopkins University haben ein Analysewerkzeug entwickelt, das verborgene Verzerrungen in Trainingsdaten medizinischer KI-Modelle aufspürt. Das Tool namens G-AUDIT identifiziert subtile Muster, die Modelle zu fehlerhaften Schlussfolgerungen verleiten können. Hintergrund Medizinische KI-Systeme werden auf großen Datensätzen trainiert, um Diagnosen oder Prognosen zu unterstützen. Dabei können sie unbeabsichtigt auf irrelevante Merkmale reagieren – etwa auf Bildqualität, Aufnahmebedingungen oder Metadaten –, anstatt auf klinisch relevante Informationen. Solche Fehlassoziationen ähneln dem sogenannten Clever-Hans-Effekt und können in der Praxis zu unzuverlässigen Vorhersagen führen. Das Werkzeug G-AUDIT G-AUDIT analysiert Trainingsdaten und sucht nach systematischen Mustern, die mit Zielvariablen korrelieren, aber keinen medizinischen Zusammenhang haben. Das Tool bewertet und rangiert mögliche Risiken. Es wurde an Datensätzen mit Bildern, Texten und Tabellen getestet und deckte unter anderem Zusammenhänge mit Kameramarken, Bildauflösung oder dem Vorhandensein von Maßstäben in medizinischen Fotos auf. Wichtige Ergebnisse In den untersuchten…