The image shows a person dressed in a white medical coat, likely a doctor or healthcare professional, interacting with a futuristic, digital interface. The interface prominently displays the letters "AI" in the center, surrounded by various holographic graphics, charts, and icons related to health and technology. The person is pointing at the interface with their finger, as if engaging with the digital data. The background appears to be a modern hospital or medical facility, with medical equipment visible in the room.
06.10.2025

KI in der ANA-Diagnostik: Eine neue Ära der Autoimmun-Diagnostik

Eine deutsche Pilotstudie zur KI-gestützten Interpretation von ANA-Tests

Künstliche Intelligenz (KI) verändert die medizinische Diagnostik grundlegend von der Radiologie bis zur Immunologie. Eine neue deutsche Pilotstudie zeigt nun, wie die KI-gestützte Interpretation von ANA-Tests zu schnelleren, konsistenteren und zuverlässigeren Diagnosen von Autoimmunerkrankungen führen kann.
Mit dieser Untersuchung haben das Universitätsklinikum Regensburg und die Asklepios Klinik Bad Abbach (Deutschland) einen wichtigen Schritt in Richtung Modernisierung der Labordiagnostik unternommen. Die Studie verglich die KI-gestützte Auswertung von ANA-Immunfluoreszenztests mit der etablierten visuellen Beurteilung durch erfahrene Fachkräfte.

Die Ergebnisse, veröffentlicht im Journal of Clinical Medicine (September 2025), zeigen: Künstliche Intelligenz könnte schon bald ein verlässlicher Partner im routinemäßigen Laboralltag werden und dabei Effizienz mit diagnostischer Präzision verbinden1.

ANA (antinukleäre Antikörper) spielen eine zentrale Rolle bei der Diagnose von Autoimmunerkrankungen wie dem systemischen Lupus erythematodes (SLE) und machen diese Studie sowohl für Ärztinnen und Ärzte als auch für Patientinnen und Patienten hochrelevant.


Die Herausforderung der ANA-Testung

Der Nachweis antinukleärer Antikörper (ANA) ist eines der wichtigsten Laborverfahren zur Identifizierung zahlreicher Autoimmunerkrankungen. Der Goldstandard ist die indirekte Immunfluoreszenz (IFA) auf HEp-2-Zellen.
Diese Methode bietet zwar eine hervorragende Sensitivität, stellt aber auch hohe Anforderungen: Die Auswertung ist zeitaufwändig, erfordert Fachwissen und ist häufig von der individuellen Erfahrung der auswertenden Person abhängig. Dadurch können Unterschiede zwischen Laboren entstehen – eine einheitliche Standardisierung ist schwierig.


Wie Künstliche Intelligenz unterstützen kann

This image shows a piece of laboratory equipment, the akiron NEO, on a clean countertop. A person wearing a white lab coat and blue gloves is using their index finger to interact with the device's touchscreen. In the background, there is a rack of pipettes, confirming the laboratory setting. The device's screen displays a table of data, suggesting it's used for analysis or testing.

KI hat bereits viele Bereiche des Alltags und der Medizin revolutioniert – darunter Radiologiey2, Dermatologie3, und Pathologie4. Nun hält sie auch Einzug in die Immunologie, wie auf dem Symposium für Autoantikörper berichtet wurde.

Das in der Pilotstudie eingesetzte akiron® NEO System wurde entwickelt, um ANA-IFA-Objektträger automatisch zu analysieren. Mithilfe fortschrittlicher Bildverarbeitung und maschinellen Lernens:

  • Klassifiziert das System ANA-Proben als positiv oder negativ,
  • identifiziert Fluoreszenzmuster gemäß der internationalen ICAP-Klassifikation5.
  • und schätzt Antikörpertiter mit digitaler Präzision.

Dieser Ansatz ermöglicht schnellere und reproduzierbare Ergebnisse und bietet wertvolle Unterstützung für Laborfachkräfte.

Zentrale Ergebnisse der Pilotstudie

In der Studie wurden 143 Patientenproben aus der Routineversorgung sowohl manuell als auch KI-gestützt analysiert. Die Resultate waren vielversprechend:

  • Hohe Übereinstimmung zwischen KI und Expertinnen/Experten bei der Unterscheidung von positiven und negativen ANA-Ergebnissen.
  • Mustererkennung zeigte eine moderate bis sehr gute Übereinstimmung, insbesondere bei häufigen Fluoreszenzmustern.
  • Die KI tendierte zu leicht höheren Titerwerten als die manuelle Auswertung – ohne relevante Auswirkungen auf klinische Entscheidungen, da positive Befunde in der Regel weiterführend überprüft werden.

Die Ergebnisse belegen: KI kann bereits zuverlässige Erstanalysen liefern auch wenn die finale Bestätigung durch Fachpersonal bei komplexen Fällen unerlässlich bleibt.

Bedeutung für die klinische Praxis

Two women are visible in the image, standing in a lab and wearing white lab coats and safety glasses. They appear to be working on a scientific project or experiment, looking intently at a computer monitor. The woman on the left is also wearing blue latex gloves and is pointing at something with her finger.In the background, other lab equipment and another person who is also working can be seen.

Die Integration von KI in die ANA-Diagnostik hat das Potenzial, die Autoimmun-Diagnostik nachhaltig zu verändern.
Laboratorien profitieren von:

  • Höherer Effizienz durch reduzierte manuelle Arbeitslast,
  • Besserer Vergleichbarkeit zwischen Auswertenden und Laborstandorten,
  • Schnellerer Befundung, sodass sich Fachkräfte auf komplexe Fälle konzentrieren können.

Für Patientinnen und Patienten bedeutet dies kürzere Wartezeiten und frühere Diagnosen entscheidend für eine erfolgreiche Behandlung von Autoimmunerkrankungen.

Ausblick

Die Studie kommt zu dem Schluss: KI wird die medizinische Expertise nicht ersetzen, sondern sie gezielt ergänzen. Systeme wie akiron® NEO werden zu wertvollen Werkzeugen im diagnostischen Alltag – sie verbinden digitale Präzision mit ärztlichem Urteilsvermögen. So rückt das Ziel einer standardisierten und gleichzeitig schnellen Autoimmun-Diagnostik in greifbare Nähe.

Aufbauend auf diesen Erkenntnissen haben Medipan & GA Generic Assays die gewonnenen Erfahrungen genutzt, um die akiron® NEO Software weiter zu optimieren heute weltweit im Einsatz, mit verbesserter Systemstabilität und diagnostischer Präzision.


References

  1. Mayr et al., (2025) Pilot Study of AI-Assisted ANA Immunofluorescence Reading—Comparison with Classical Visual Interpretation ↩︎
  2. Kelly et al., (2022) Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE) ↩︎
  3. Lalmalani et al., (2025) Artificial intelligence in dermatopathology: a systematic review ↩︎
  4. Meyer et al., (2022) Impact of artificial intelligence on pathologists‘ decisions: an experiment ↩︎
  5. Offizielle Internetseite zum internationalen Konsens für antinukleäre Antikörper (ANA)-Muster (ICAP) ↩︎