Forschende am Paul Scherrer Institut PSI haben ein KI-System entwickelt, das Gewebebilder aus der Computertomografie so einfärbt, als seien klassische Gewebeschnitte erstellt worden. Dadurch könnten krankhafte Veränderungen künftig zerstörungsfrei und dreidimensional analysiert werden.

Das Team um den PSI-Physiker Goran Lovric kombinierte hochauflösende Phasenkontrast-Mikro-CT mit Methoden des maschinellen Lernens. Das System mit dem Namen VISTACT erzeugt virtuelle Histologiefärbungen von Gewebeproben. Es muss weder hauchdünne Schnitte angefertigt noch diese tatsächlich eingefärbt werden.

Die Forschenden trainierten eine spezialisierte KI mit Paaren aus echten histologischen Schnitten und den dazugehörigen CT-Aufnahmen. Das Modell lernte, welche mikroskopischen Muster typischerweise welche Einfärbung erhalten. Anschließend konnte es neue CT-Daten virtuell einfärben.

Die Technik wurde an Lungengewebe von Personen mit Lungenhochdruck getestet. Die veränderten Gefässregionen konnten dreidimensional kartiert werden. Die KI differenzierte unterschiedliche Gewebekomponenten plausibel: Blut erschien gelblich, Kollagenstrukturen rosa.

Die neue Technik kann automatisiert und deutlich schneller arbeiten als das aktuelle Vorgehen. Allerdings lässt sie sich noch nicht im Alltag in Spitälern einsetzen. Die benötigte Phasenkontrast-Bildgebung erfolgte an der TOMCAT-Strahllinie der Synchrotron Lichtquelle Schweiz SLS. Die Auflösung reichte oft noch nicht aus, um einzelne Zellkerne zuverlässig darzustellen.

Die Forschenden betonen, dass virtuelle Histologie noch eine statistische Rekonstruktion sei. Die KI erzeuge keine echten histologischen Informationen, sondern plausible Vorhersagen auf Basis der Trainingsdaten. Der „Proof of Concept“ sei jedoch erbracht.

Die Studie wurde in der Fachzeitschrift Journal of the Royal Society Interface veröffentlicht. Sie könnte langfristig neue diagnostische Perspektiven eröffnen, insbesondere bei Tumoren, Gefäßveränderungen oder komplexen Gewebearchitekturen.

Original Paper:

Histology-guided 3D virtual staining of microCT-imaged lung tissue via deep learning
Cristina Almagro-Pérez, Niccolò Peruzzi, Csaba Galambos, Andrew H. Song, Hans Brunnström, Kinga I. Gawlik, Marco Stampanoni, Karin Tran-Lundmark, Goran Lovric
J. R. Soc. Interface, 17.06.2026
DOI: 10.1098/rsif.2025.1186

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.