KI erkennt, ob Krebspatienten auf Immuntherapie ansprechen

Immuntherapie gilt als eine der bedeutendsten Entwicklungen in der modernen Krebsmedizin. Doch ob ein Patient tatsächlich anspricht, lässt sich bislang kaum vorhersagen: Bei unselektierten Patientengruppen profitiert in vielen häufigen Tumortypen nur ein Bruchteil von den Behandlungen. Die anderen ertragen schwere Nebenwirkungen ohne therapeutischen Nutzen. Ein Team der Harvard Medical School und von Roche hat am 3. Juli 2026 in Nature Medicine ein KI-Modell vorgestellt, das genau diese Frage erstmals zuverlässig beantworten könnte.

Das Immuntherapie-Problem: Wer profitiert, wer nicht

Immune Checkpoint Inhibitoren (kurz: ICI) aktivieren das körpereigene Immunsystem, damit es Krebszellen erkennt und bekämpft. Das Prinzip funktioniert bei manchen Patienten spektakulär gut. Bei anderen zeigt es kaum eine Reaktion. Bisherige Tests wie die PD-L1-Gewebefärbung oder die Tumormutationslast liefern nur grobe Anhaltspunkte darauf, wer tatsächlich anspricht.

Das hat konkrete Konsequenzen: ICI-Therapien kosten Zehntausende Euro pro Behandlungszyklus und können monatelange schwere Nebenwirkungen verursachen, darunter Colitis, Pneumonitis und autoimmunbedingte Organentzündungen. Patienten, die nicht ansprechen, verlieren wertvolle Zeit und Gesundheit, die für wirksamere Alternativen genutzt werden könnten. In Deutschland werden jährlich mehr als 500.000 neue Krebsdiagnosen gestellt; für einen wachsenden Anteil davon ist Immuntherapie heute Standardbehandlung.

Wie COMPASS die Blackbox öffnet

Das Modell heißt COMPASS und wurde von einem Team um Marinka Zitnik von der Harvard Medical School und Daniel Marbach vom Roche Innovation Center Basel entwickelt. Der entscheidende Unterschied zu bisherigen KI-Ansätzen in der Onkologie liegt in der Architektur: einem sogenannten Concept Bottleneck Transformer.

Herkömmliche KI-Modelle verarbeiten Eingangsdaten, hier die Aktivitätsmuster von knapp 16.000 Genen aus Tumorgewebe und liefern direkt eine Ausgabe: ansprechen oder nicht ansprechen. Der Rechenweg dazwischen bleibt unsichtbar. COMPASS erzwingt dagegen einen biologisch nachvollziehbaren Umweg: Das Modell muss seine Vorhersage durch 44 biologisch definierte Konzepte formulieren, darunter Immunzellzustände im Tumorgewebe, Signalwege der Krebs-Immunabwehr und strukturelle Eigenschaften der Tumor-Mikroumgebung. Kliniker sehen damit nicht nur, ob ein Patient voraussichtlich anspricht, sondern auch welche biologischen Mechanismen zu dieser Prognose geführt haben.

Das ist kein akademisches Detail. Ein Arzt, der die Begründung eines KI-Modells versteht, kann sie einordnen, hinterfragen und dem Patienten erklären. Bisherige KI-Systeme in der Medizin wurden als Blackboxes kritisiert, die zwar Ergebnisse liefern, aber keine nachvollziehbaren Entscheidungsgrundlagen bieten. COMPASS ist ein konkreter Versuch, diesen Kritikpunkt zu überwinden.

8,5 Prozent besser als 22 Vergleichsmethoden

COMPASS wurde zunächst auf 10.184 Tumoren aus dem Cancer Genome Atlas trainiert, die 33 Krebstypen abdecken. Anschließend verfeinerte das Team das Modell auf 16 klinischen ICI-Kohorten mit sieben Krebstypen und sechs verschiedenen Therapieregimen, darunter Anti-PD-1, Anti-PD-L1 und Anti-CTLA4-Behandlungen.

Im direkten Vergleich mit 22 bestehenden Prognosemethoden erreicht COMPASS laut der Nature-Medicine-Publikation eine Verbesserung von 8,5 Prozent bei der AUROC (Area Under the Receiver Operating Characteristic Curve) gegenüber der bisher besten Methode sowie 15,7 Prozent bei der Area Under Precision-Recall Curve. Besonders relevant: COMPASS generalisierte auch auf Krebstypen und Therapieregimen, die im Training nicht vertreten waren. Diese Übertragbarkeit auf unbekannte Szenarien gelang bisherigen Modellen selten.

Was die Studie nicht belegt: Ob COMPASS in prospektiven klinischen Studien genauso gut funktioniert. Alle Vergleiche basieren auf retrospektiven Kohortendaten. Der Sprung von historischen Trainingsdaten zu echter klinischer Entscheidungsunterstützung erfordert separate Validierungen an neuen Patientengruppen.

Validierung an deutschen NCT-Standorten: Erste Ergebnisse in 12 bis 24 Monaten

Zitniks Lab hat den Code und eine Web-Implementierung auf GitHub veröffentlicht, sodass externe Forschungsgruppen COMPASS auf eigenen Patientendaten testen können. Für den klinischen Einsatz benötigt das Modell RNA-Sequenzierung des Tumorgewebes, die Genexpressionsprofile liefert. In Deutschland verfügen die NCT-Standorte (Nationales Centrum für Tumorerkrankungen) in Heidelberg, Dresden, Berlin und Tübingen sowie die Comprehensive Cancer Center der Universitätskliniken über die nötige Infrastruktur. In der Flächenversorgung ist RNA-Sequenzierung noch keine Routine.

Zwei Vorbehalte bleiben. Erstens ist die Zusammenarbeit mit Roche zu beachten: Das Pharmaunternehmen hat ein kommerzielles Interesse an der Optimierung seiner Immuntherapien. Externe Validierungen durch Gruppen ohne Roche-Anbindung sind entscheidend, bevor COMPASS in der Patientenversorgung eingesetzt werden sollte. Zweitens gilt die FDA-Anforderung an prospektive Daten: Retrospektive Kohortendaten, wie jene auf denen COMPASS beruht, reichen nach FDA-Guidance für KI-basierte Medizinprodukte für eine klinische Zulassung nicht aus. Die Forschenden selbst nennen als nächsten Schritt prospektive Studien, in denen COMPASS-Vorhersagen tatsächlich Behandlungsentscheidungen beeinflussen und die Ergebnisse gemessen werden. Erste Ergebnisse sind realistisch in 12 bis 24 Monaten zu erwarten.