Lunit präsentiert sechs neue KI-Studien zur Präzisionsonkologie auf der AACR 2026: Was Kliniken, Labore und Pharma jetzt wissen müssen

Kontext: Von der KI-Forschung zur klinischen Anwendung

Auf der Jahrestagung der American Association for Cancer Research (AACR) 2026 in San Diego stellt Lunit sechs neue Studien vor, die den Einsatz von KI in der Onkologie deutlich über den reinen Forschungsbetrieb hinaus verschieben. Im Zentrum stehen Bild- und pathologiebasierte Modelle, die Therapieansprechen vorhersagen, das Tumormikromilieu räumlich analysieren und reale Routinedaten („real-world data“) auswerten.

Für Entscheidungsträger in Krankenhäusern, Diagnostiklaboren und Pharmaunternehmen ist zentral: Die vorgestellten Arbeiten sind nicht nur Machbarkeitsstudien, sondern basieren auf größeren Kohorten, multizentrischen Datensätzen und klinisch relevanten Endpunkten. KI wird damit zunehmend zu einem validierten Entscheidungswerkzeug.

Die sechs Studien im Überblick – thematische Cluster

Auch wenn die Detaildaten teils erst in Poster- und Vortragssessions präsentiert werden, zeichnen sich drei Schwerpunkte ab:

1. Räumliche Analyse des Tumormikromilieus

Mehrere Studien nutzen Lunits digitale Pathologieplattform, um:

• Immunzellen und Tumorzellen auf Whole-Slide-Images automatisch zu segmentieren,

• deren räumliche Verteilung (z. B. „inflamed“, „immune-excluded“, „immune-desert“-Phänotypen) zu klassifizieren,

• diese Muster mit Ansprechen auf Immuncheckpoint-Inhibitoren (z. B. bei Lungen- und Nierenkarzinomen) zu korrelieren.

Relevanz: Kliniken und Studienzentren erhalten damit einen algorithmisch stabilen, reproduzierbaren Ansatz, um über das klassische PD-L1-Scoring hinauszugehen und komplexe Mikromilieu-Profile in Entscheidungsprozesse zu integrieren.

2. Prädiktion von Therapieansprechen direkt aus Routinedaten

Weitere Arbeiten fokussieren prädiktive Modelle für Immun- und zielgerichtete Therapien:

• Nutzung von HE-gefärbten Standard-Histologieschnitten, teilweise ergänzt um Immunhistochemie,

• Training von KI-Modellen, die Responder vs. Non-Responder vor Beginn der Therapie unterscheiden,

• Validierung in multizentrischen Kohorten, häufig retrospektiv, teilweise mit prospektiven Elementen.

Beispielszenario: Bei nicht-kleinzelligem Lungenkrebs könnte ein KI-Score aus der Basisbiopsie helfen zu entscheiden, ob eine Mono-Immuntherapie ausreichend ist oder eine Kombination mit Chemotherapie notwendig erscheint.

3. Real-World-Evidence und Workflow-Effekte

Ein dritter Block adressiert die tatsächliche Integration in den klinischen Alltag:

• Analysen von Screening-Programmen (z. B. Mammographie) mit und ohne KI-Unterstützung,

• Kennzahlen wie Sensitivität, Recall-Rate, Befundungszeit pro Fall, Interobserver-Variabilität,

• ökonomische Effekte, etwa Reduktion unnötiger Biopsien oder effizientere Studienselektion.

Diese Daten sind für Kostenträger sowie Klinikleitungen entscheidend, weil sie über reine diagnostische Kennzahlen hinausgehende Outcome- und Ressourceneffekte dokumentieren.

Was ist neu gegenüber früheren KI-Studien?

Im Vergleich zu früheren Konferenzen (ESMO, ASCO, AACR der Vorjahre) verschieben die neuen Lunit-Studien mehrere Koordinaten:

1. Größere und diversere Kohorten – weniger stark selektierte Studienpopulationen, mehr Real-World-Charakter.

2. Konkret definierte klinische Entscheidungen – Fokus auf Fragen wie: Immuntherapie ja/nein, Mono- vs. Kombinationsregime, Einschluss in bestimmte Studienarme.

3. Validierung über Zentren und Länder hinweg – wichtig, um regulatorisch und erstattungsseitig Akzeptanz zu erreichen.

4. Nahe Integration in existierende Workflows – etwa direkte Einbindung in PACS/LIS oder in digitale Pathologie-Workflows anstelle isolierter Research-Pipelines.

Damit wandert KI von der „Experimentierstufe“ hin zur Kategorie eines potenziell erstattungsfähigen, qualitätsrelevanten Medizinprodukts.

Implikationen für Krankenhäuser und Radiologie-/Pathologie‑Netzwerke

Strategische Weichenstellung

Für Krankenhausleitungen und MVZ-Betreiber ergeben sich drei zentrale Handlungsfelder:

1. Technische Infrastruktur:

- flächendeckende Digitalisierung der Pathologie (Whole-Slide-Imaging),

- leistungsfähige Bildarchive und Rechenkapazitäten,

- standardisierte Schnittstellen (DICOM, HL7/FHIR) zur Anbindung von KI-Diensten.

1. Klinische Governance:

- Definition, in welchen Indikationen KI-Ergebnisse regelhaft berücksichtigt werden (z. B. alle NSCLC-Biopsien vor Immuntherapie),

- Festlegung von SOPs: Wie werden Diskrepanzen zwischen Pathologe/Radiologe und KI behandelt? Wer dokumentiert und verantwortet die finale Entscheidung?

1. Qualitätssicherung und Outcome-Messung:

- Einrichtung von KI-Boards oder Unterausschüssen in Tumorboards,

- kontinuierliches Monitoring: Detektionsraten, Fehlalarme, Therapieanpassungen und patientenrelevante Endpunkte.

Praktisches Beispiel: Lungenkrebszentrum

Ein zertifiziertes Lungenkrebszentrum könnte:

• KI-gestützte räumliche TME-Analysen in die Standarddiagnostik integrieren,

• KI-Scores als zusätzliche Variable in Tumorboards nutzen,

• retrospektiv alle behandelten Fälle auswerten, um zu prüfen, ob KI-basierte Entscheidungen das progressionsfreie Überleben verbessern.

Solche Zentren schaffen damit eine Datengrundlage, die über Einzelstudien hinausgeht und interne Versorgungsqualität sichtbar macht.

Konsequenzen für Diagnostiklabore

Pathologie- und Zytologielabore stehen vor zwei Fragen:

1. Make-or-Buy-Entscheidung: Eigene Modelle entwickeln oder validierte Plattformen (z. B. Lunit SCOPE) nutzen?

2. Dienstleistungsportfolio: KI-basierte Scores und räumliche Analysen als abrechenbare Zusatzleistung gegenüber einsendenden Kliniken anbieten.

Ein Labor, das etwa für mehrere Onkologiezentren Immunhistochemie durchführt, könnte zusätzlich einen „Immune Phenotype Report“ liefern, generiert durch KI. Das stärkt die Bindung zu Einsendern und differenziert gegenüber Wettbewerbern.

Auswirkungen auf Pharmaunternehmen und Studienlandschaft

Für Pharma- und Biotech-Unternehmen ergeben sich mehrere strategische Optionen:

• Companion Diagnostics: KI-basierte Bildbiomarker als komplementäre oder alternative Selektionskriterien in Studien.

• Rescue von Studienprogrammen: Nachträgliche Subgruppenanalysen mit KI-Scores, um Responderpopulationen besser zu definieren.

• Standortselektion: Bevorzugung von Zentren mit digitaler Pathologie und etablierten KI-Workflows, weil diese verlässlichere und schneller verfügbare Daten liefern.

Mittel- bis langfristig wird die Grenze zwischen Studien- und Versorgungssetting durch die Wiederverwendung von Routinedaten weiter verschwimmen. Das erhöht sowohl den Wert gut kuratierter Datensätze als auch die regulatorischen Anforderungen an Datenschutz und Bias-Analyse.

Regulatorik, Haftung und Compliance

Mit wachsender Evidenz verschiebt sich die Diskussion von der Frage „Darf KI das?“ zu „Wie muss sie es tun?“.

Wesentliche Punkte:

• Regulatorische Klassifizierung: KI-Systeme in der Onkologie werden sich klar in höheren Risikoklassen bewegen, was strengere Anforderungen an klinische Studien, Post-Market-Surveillance und Änderungsmanagement mit sich bringt.

• Haftung: Je mehr reale Outcome-Daten den Nutzen untermauern, desto eher werden Gerichte und Aufsichtsbehörden erwarten, dass verfügbare KI-Unterstützung auch genutzt wird – oder bewusst dokumentiert wird, warum sie im Einzelfall nicht eingesetzt wurde.

• Transparenz: Kliniken müssen sicherstellen, dass Ärztinnen und Ärzte die Funktionsweise und Limitationen der eingesetzten Modelle verstehen (Stichwort: erklärbare KI, Schulungsprogramme, dokumentierte Limitierungen in SOPs).

Handlungsempfehlungen für Entscheider

1. Bestandsaufnahme: Wo stehen wir bei Digitalisierung, Datenqualität und KI-Readiness in Radiologie und Pathologie?

2. Pilotprojekte definieren: Zunächst wenige, gut abgegrenzte Indikationen (z. B. NSCLC, Mammakarzinom) wählen, in denen KI einen klar messbaren Mehrwert liefern kann.

3. Partnerschaften prüfen: Kooperationen mit Anbietern wie Lunit, aber auch mit akademischen Zentren, um Zugang zu Studien und frühe Evidenz zu erhalten.

4. Datengovernance stärken: Klare Richtlinien zu Datenhaltung, Anonymisierung, Forschungsnutzung und Rückkopplung von Outcomes etablieren.

Fazit

Die sechs neuen KI-Studien von Lunit auf der AACR 2026 markieren einen weiteren Schritt in Richtung klinisch etablierter, evidenzbasierter KI in der Onkologie. Für Gesundheitsorganisationen ist jetzt der Zeitpunkt, strategisch zu entscheiden, wie tief sie KI in ihre diagnostischen und therapeutischen Prozesse integrieren wollen – und welche Infrastruktur, Governance und Partnerschaften dafür notwendig sind.

Häufig gestellte Fragen (FAQ)

Was ist das Besondere an den sechs neuen KI-Studien von Lunit auf der AACR 2026?

Die sechs Studien von Lunit zeigen, dass KI in der Onkologie den Schritt von der reinen Forschung hin zur klinisch relevanten Entscheidungsunterstützung macht. Sie basieren auf größeren, multizentrischen Kohorten, adressieren konkrete Therapieentscheidungen und sind eng in reale Workflows von Kliniken und Laboren eingebettet.

Wie funktioniert die KI-gestützte räumliche Analyse des Tumormikromilieus?

Die KI segmentiert automatisch Tumor- und Immunzellen auf digitalen Whole-Slide-Images und klassifiziert deren räumliche Muster, etwa als „inflamed“, „immune-excluded“ oder „immune-desert“. Diese Profile werden anschließend mit dem Ansprechen auf Immuntherapien korreliert und können so über klassische Marker wie PD-L1 hinaus zusätzliche Entscheidungsgrundlagen liefern.

Welche Auswirkungen haben KI-Modelle zur Prädiktion des Therapieansprechens auf die klinische Praxis?

KI-Modelle, die Responder und Non-Responder schon vor Therapiebeginn unterscheiden, können Therapiepfade personalisieren, Über- und Unterbehandlung reduzieren und Studienpopulationen gezielter auswählen. Für Kliniken bedeutet dies potenziell bessere Outcomes bei effizienterem Ressourceneinsatz, etwa bei der Wahl zwischen Mono-Immuntherapie und Kombinationsregimen.

Was ist der Unterschied zwischen früheren KI-Studien in der Onkologie und den aktuellen Lunit-Arbeiten?

Frühere Studien waren häufig Machbarkeitsarbeiten mit stark selektionierten Kohorten und begrenztem Real-World-Bezug. Die aktuellen Lunit-Studien setzen hingegen auf größere, diversere Datensätze, klar definierte klinische Entscheidungsfragen und Validierungen über mehrere Zentren und Länder hinweg, was die Grundlage für Erstattung und regulatorische Akzeptanz stärkt.

Was sollten Krankenhäuser und Netzwerke jetzt tun, um von KI in der Präzisionsonkologie zu profitieren?

Krankenhäuser sollten zunächst ihre Digitalisierungs- und Datenreife in Radiologie und Pathologie analysieren und dann gezielte Pilotprojekte in ausgewählten Indikationen starten, etwa NSCLC oder Mammakarzinom. Parallel sind Investitionen in digitale Pathologie, Schnittstellen (DICOM, HL7/FHIR), Governance-Strukturen und Outcome-Monitoring nötig, um KI sicher und wirksam in Tumorboards und Routineprozesse zu integrieren.

Wie können Pathologie- und Diagnostiklabore KI sinnvoll in ihr Dienstleistungsportfolio einbinden?

Labore können validierte Plattformen wie Lunit SCOPE nutzen, um KI-basierte Scores und räumliche Analysen als zusätzliche, abrechenbare Leistungen anzubieten. Beispielsweise lassen sich neben klassischer Immunhistochemie KI-generierte „Immune Phenotype Reports“ erstellen, die Einsender bei Therapieentscheidungen unterstützen und die Bindung an das Labor stärken.

Welche Chancen bieten die neuen KI-Studien für Pharmaunternehmen und klinische Studien?

Pharmaunternehmen können KI-basierte Bildbiomarker als Companion Diagnostics für die Patientenselektion einsetzen und bestehende Studienprogramme durch nachträgliche Subgruppenanalysen präzisieren. Zudem werden Zentren mit digitaler Pathologie und etablierten KI-Workflows attraktiver als Studienstandorte, weil sie qualitativ hochwertige, schneller verfügbare Real-World-Daten liefern.