LONDON (IT BOLTWISE) – Eine neue KI-gestützte Methode nutzt nur ein Blutproben-Set, um die biologische Altersspanne einzelner Organe abzuschätzen. Die Grundlage sind „Gewebenuhren“, die aus mikroskopischen Gewebebildern gelernt wurden. Anschließend überträgt ein zweites Modell diese Muster auf Genaktivitäten im Blut. Damit lässt sich ermitteln, ob bestimmte Organe im Vergleich zum Kalenderalter eher „älter“ wirken – mit potenzieller Bedeutung für frühe Krankheitszeichen.
KI schätzt die biologische Organ-Alterung aus einem Bluttest (Foto: IT BOLTWISE)
🧠 KI & Robotik auf Google News abonnieren
„Biologisches Alter“ ist längst mehr als ein Schlagwort. Die neue Studie, die in Nature Medicine veröffentlicht wurde, setzt genau dort an, wo viele bisherige Ansätze zu kurz greifen: Nicht jedes Organ eines Menschen altert gleich. Während das Kalenderalter den Zeitraum seit der Geburt abbildet, zeigen die Mikromerkmale in Geweben, ob und wie stark Strukturen im Laufe der Zeit verschleißen. Der entscheidende Schritt besteht darin, diese Unterschiede nicht nur im Gewebe zu erkennen, sondern anschließend über Blutdaten auf einzelne Organe zu übertragen.
Dafür trainierten Forschende um André Rendeiro mit den Co-First-Autoren Ernesto Abila, Iva Buljan und Yimin Zheng ein KI-Modell anhand von 25.712 mikroskopischen Gewebebildern von 983 verstorbenen Spendern. Die Daten umfassten 40 Gewebetypen über 29 Organe hinweg. Das Modell lernte über viele Trainingsschritte hinweg, subtile altersassoziierte Strukturveränderungen zu identifizieren. Aus dieser Mustererkennung entsteht im Kern eine Art „tissue clock“ pro Organ: Wenn die Uhr bei einem Beispiel-Lungengewebe einer 60-jährigen Person eine stärkere „Alterssignatur“ erkennt, wird das Organ biologisch als älter als erwartet eingestuft.
In den Ergebnissen lag die mittlere Abweichung zwischen den KI-Schätzungen und den tatsächlichen (chronologischen) Alterswerten der Spender bei rund fünf Jahren. Besonders relevant ist jedoch nicht nur die Genauigkeit, sondern die biologische Plausibilität: Tissues, die im Modell „älter“ aussahen als erwartet, zeigten laut Analyse häufiger strukturelle Veränderungen und Erkrankungsmarker, die typischerweise mit dem Altern in Verbindung gebracht werden. Dazu zählen unter anderem das Schrumpfen von Gewebe, eine narbige Versteifung, der Verlust kleiner Blutgefäße, Fettansammlungen im Bereich der Skelettmuskulatur sowie ein Ausdünnen von Nerven. Ebenso wenig folgt der Körper dabei einem einheitlichen Alterungsmuster. Manche Menschen zeigten über mehrere Organe hinweg Hinweise auf fortgeschrittenes Altern, andere dagegen „Ausreißer“: Ein einzelnes Organ wie Herz, Lunge oder Magen wirkte deutlich älter als der Rest.
Der praktische Knackpunkt liegt in der Umsetzbarkeit. Eine direkte Bestimmung des biologischen Organalters erfordert normalerweise invasive Entnahmen von Gewebe und lässt sich damit kaum als Routine-Hinweis auf den nächsten Arztbesuch skalieren. Um diesen Engpass zu umgehen, verknüpften die Forschenden die Gewebebewertungen mit Genaktivitätsmustern im Blut derselben Spender. Vereinfacht gesagt: Das Blut „bildet“ das Organ nicht ab; es trägt aber verwertbare Spuren, welche die KI aus dem Gewebetraining gelernt hat. Konkret entwickelten die Forschenden ein zweites Modell, das aus Blutdaten ableitet, wie alt verschiedene Organe im Gewebe wirken. Die Vorhersagen fielen dabei besonders stark für die Gesamtalterung des Körpers, für das Verdauungssystem und für die Milz aus.
Damit die Schätzungen mehr sind als reine Alterskorrelationen, testeten die Forschenden die Methode zusätzlich auf Blutdaten von Gesunden und von Personen mit acht unterschiedlichen medizinischen Zuständen. In diesen Tests ordnete das Modell Organ-„Age Gaps“ im Schnitt häufiger größer ein, wenn zum jeweiligen Krankheitsbild passende Organe betroffen sind. Bei Personen nach einem Schlaganfall wurde im Modell die größte Altersspanne im Gehirn beobachtet. Bei Morbus Crohn fielen erhöhte Age Gaps für Speiseröhre, Magen, Dünndarm und Dickdarm auf. In der Gruppe mit Alzheimer war wiederum das Gehirn das einzige Organ mit signifikant erhöhtem Age Gap. Wichtig ist die Interpretation: Ein „älter wirkendes“ Organ bedeutet nicht automatisch, dass die Krankheit die Alterung kausal beschleunigt hat. Genauso gut können beide Prozesse parallel entstanden sein oder die Erkrankung hat die Gewebestrukturen stärker verändert, sodass die „Uhr“ darauf reagiert.
Im Vergleich zu früheren blutbasierten Ansätzen ist der Ansatz methodisch eigenständig: Frühere Arbeiten nutzten häufig zirkulierende Proteine, um ein Organalter abzuleiten. In diesem Feld existieren aber auch kommerzielle Tests, die laut den Angaben der Studie teils stark unterschiedliche Resultate produzieren. Genau deshalb ist die Übertragung über Genaktivität und das Gewebe-Kalibrierungsprinzip spannend: Sie setzt stärker bei der Lernabbildung von Strukturveränderungen an, statt nur einzelne Biomarker zu gewichten. Allerdings bleiben klare Grenzen. Ein wesentlicher Teil der Gewebedaten wurde nach dem Tod gewonnen, und die Studie verfolgt keine Personen longitudinal über die Zeit. Außerdem wurde die blutbasierte Methode vor allem an Populationen mit bereits diagnostizierten Erkrankungen evaluiert. Unklar bleibt daher, ob sich frühe Krankheitsprozesse erkennen lassen, bevor Symptome auftreten.
Für die klinische Nutzung nennen die Forschenden einen realistischen Zeithorizont: Laut Rendeiro sei der Weg in den praktischen Einsatz „realistisch mehrere Jahre“ entfernt, möglicherweise nahe an einem Jahrzehnt. Bis dahin werden für regulatorische Zulassungen und für ein zuverlässiges Monitoring vor allem prospektive Studien entscheidend sein: konsistente Performance über verschiedene Populationen hinweg, definierte Grenzwerte für Entscheidungsunterstützung und die Frage, wie stabil die Organ-Alterskurven im Alltag unter wechselnden Messbedingungen sind. Für IT- und KI-Verantwortliche in Unternehmen ist daran besonders relevant, dass hier keine einzelne Kennzahl „aus dem Nichts“ entsteht, sondern eine Pipeline aus Gewebe-Learning, Modellübertragung auf Blutdaten und krankheitsbezogener Validierung. Das erhöht die Hürde, aber auch die technische Tiefe.
Gleichzeitig liefert die Studie eine klare Botschaft für Produkt- und Strategiegespräche: Selbst wenn das Ergebnis am Ende in einer Zahl oder einem Score verdichtet wird, kann genau diese Reduktion einen Teil der Biologie überdecken. Das Organalter in Herz, Gehirn und Nieren kann auseinanderlaufen, obwohl der Mensch gleich alt ist. Aus Sicht der KI-Entwicklung bedeutet das: Modelle müssen nicht nur „genauer“ werden, sondern auch plausibel erklären, welche Muster zu welchem Organ führen. Der nächste Schritt ist daher weniger ein weiteres Training auf mehr Daten, sondern eher die saubere Validierung im Verlauf, damit „tissue clock“ und Blutkorrelate im realen Gesundheitsprozess belastbar zusammenpassen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Ergänzungen und Infos bitte an die Redaktion per eMail an de-info[at]it-boltwise.de. Da wir bei KI-erzeugten News und Inhalten selten auftretende KI-Halluzinationen nicht ausschließen können, bitten wir Sie bei Falschangaben und Fehlinformationen uns via eMail zu kontaktieren und zu informieren. Bitte vergessen Sie nicht in der eMail die Artikel-Headline zu nennen: «KI schätzt die biologische Organ-Alterung aus einem Bluttest».