Wien/Bern — Ein Team des CeMM‑Forschungszentrums für Molekulare Medizin und der Universität Wien hat mit Hilfe von künstlicher Intelligenz sogenannte «Gewebeuhren» entwickelt, die aus histologischen Schnitten das biologische Alter von Organen abschätzen. Die Ergebnisse, publiziert in Nature Medicine, basieren auf der Analyse von mehr als 25'000 Gewebeaufnahmen von 983 Personen und betreffen 40 Gewebetypen aus 29 Organen.
Was die Modelle leisten
Die Algorithmen lernten anhand feiner struktureller Merkmale, wie alt ein Gewebe im Vergleich zum chronologischen Alter der betreffenden Person erscheint. Im Durchschnitt wich die Schätzung nur um rund fünf Jahre vom tatsächlichen Lebensalter ab. Entscheidend aber waren die systematischen Abweichungen: Wurde ein Gewebe vom Modell deutlich älter eingeschätzt, fanden die Forschenden häufiger krankhafte Veränderungen und Zusammenhänge mit chronischen Erkrankungen.
"Unsere Organe speichern ein bemerkenswert detailliertes Bild des Alterungsprozesses"
Strukturelle Merkmale des gealterten Gewebes
Die Arbeit identifizierte wiederkehrende strukturelle Veränderungen, die über verschiedene Organe hinweg mit einem höheren biologischen Alter assoziiert waren. Dazu gehören insbesondere:
- Gewebeschwund (Atrophie)
- Fibrose (vermehrte Bindegewebsbildung)
- Abnahme kleiner Blutgefässe (Mikrovaskuläre Veränderungen)
Diese architektonischen Veränderungen deuten darauf hin, dass Alterung nicht nur auf molekularer Ebene stattfindet, sondern in der Makrostruktur des Gewebes sichtbar wird. Die Autoren argumentieren, dass solche Merkmale klinisch relevant sein könnten, weil sie frühe Anzeichen für funktionellen Organverlust oder erhöhte Anfälligkeit für Krankheiten darstellen.
Konsequenzen für Forschung und Medizin
Die Studie liefert mehrere Ansatzpunkte für die translationale Forschung. Erstens bieten Gewebeuhren eine neue Methode, um organbezogene Alterungsprozesse quantifizierbar zu machen. Zweitens könnten sie helfen, Patienten zu identifizieren, deren Organe biologisch deutlich älter sind als erwartet — ein möglicher Risikofaktor für Morbidität. Drittens erlauben die Algorithmen eine systematische Vergleichbarkeit unterschiedlicher Organe innerhalb desselben Individuums, was bisher wenig untersucht wurde.
Für die Schweiz sind diese Ergebnisse relevant, weil sie Perspektiven für personalisierte Prävention und bessere Risikostratifikation bei chronischen Krankheiten eröffnen. Klinische Anwendung erfordert jedoch weitere Schritte: Validierung in unabhängigen Kohorten, Standardisierung der Bildgebung und Studien, die zeigen, ob das frühzeitige Erkennen eines «veralteten» Organs die Patientenresultate verbessert.
Stärken und Grenzen der Studie
Zu den Stärken zählt die grosse Zahl an analysierten Bildern und die breite Abdeckung vieler Organe. Gleichzeitig gibt es Einschränkungen: Die Analyse basiert auf histologischen Schnitten, die typischerweise aus Spitalmaterial stammen und daher nicht unbedingt die Allgemeinbevölkerung repräsentieren. Ausserdem bleibt offen, welche molekularen Mechanismen den beobachteten strukturellen Veränderungen zugrunde liegen und inwieweit medikamentöse oder Lebensstil‑Interventionen die «Gewebealterung» beeinflussen können.
| Datengrösse | Wert |
|---|---|
| Gewebeaufnahmen | >25'000 |
| Untersuchte Personen | 983 |
| Gewebetypen | 40 |
| Organe | 29 |
| Durchschnittliche Abweichung | ~5 Jahre |
Die Autoren fordern weitere Forschung, um die Laborergebnisse in klinische Werkzeuge zu überführen. Wichtig bleibt, dass eine KI‑Schätzung des Gewebealters allein noch keine Diagnose darstellt, sondern ein Zusatzsignal in einem umfassenden klinischen Kontext sein muss.
Ausblick
Die Entwicklung von «Gewebeuhren» markiert einen Schritt hin zu einer feineren, organbezogenen Sicht auf Alterung. In Zukunft könnten solche Methoden in Studien zur Medikamentenevaluation, in der post‑operativen Risikoeinschätzung oder in der Forschung zu altersassoziierten Erkrankungen eingesetzt werden. Entscheidend für den Nutzen in der Praxis sind jedoch Replikation, Regulierung und die Frage, ob eine Intervenierbarkeit besteht — also ob sich das biologische Alter durch Behandlung oder Prävention messbar senken lässt.
Die Arbeit zeigt, wie KI und klassische Histologie kombiniert neue Einsichten in den Alterungsprozess liefern können. Für Patientinnen und Patienten sowie das Gesundheitswesen bleibt nun die Aufgabe, diese Erkenntnisse verantwortungsbewusst und evidenzbasiert weiterzuverfolgen.
