DeepGEM 2.0 wurde am 10. Oktober 2026 in Guangzhou vorgestellt: Das Nationale Zentrum für Atemwegsmedizin am Ersten Affiliated Hospital der Medizinischen Universität Guangzhou hat gemeinsam mit KingMed Diagnostics dieses multimodale Großmodell für Lungenkrebs-Pathologie und Genprognose präsentiert, entwickelt unter Beteiligung des Teams von Akademiemitglied Zhong Nanshan. Es ersetzt keine Diagnose. Es zielt auf den Engpass davor: Gentests für Lungenkrebspatienten sind teuer und langsam, und vielen Krankenhäusern der Basisversorgung fehlen dafür schlicht die Voraussetzungen. Das Modell nimmt das digitale Bild eines routinemäßigen Pathologiepräparats als Eingabe und liefert in nur einer Minute Risikovorhersagen für Mutationen in zwölf Genen — als Hinweis, in welcher Richtung sich eine Vertiefung lohnt.
Welcher Schritt wegfällt
Eine zielgerichtete Lungenkrebstherapie beginnt mit der Frage, welche Treibermutation ein Tumor trägt. Beide bisherigen Wege sind mühsam. Einzelgentests arbeiten sich von EGFR aus der Reihe nach vor, manche Fälle warten einen Monat. Große Sequenzierpanels scannen Hunderte bis Tausende Gene auf einmal und kosten von wenigen Tausend bis rund 20.000 Yuan, obwohl die meisten Patienten nur ein bis zwei Treibermutationen haben. DeepGEM 2.0 setzt als Vorsortierung vor beide Verfahren an. Präparatbilder entstehen ohnehin in der Routinediagnostik, eine zusätzliche Probenentnahme ist nicht nötig. Wer als hochwahrscheinlich eingestuft wird, geht in der Nähe direkt in eine gezielte Bestätigung per PCR oder Immunhistochemie; bei niedriger Wahrscheinlichkeit kommen ein großes Panel oder nicht zielgerichtete Optionen in Betracht. Aus „erst einmal alles testen" wird „erst rechnen, dann gezielt testen".
Von sechs auf zwölf Ziele
Die Vorgängerversion sagte sechs Gene voraus — EGFR, KRAS, ALK, ROS1, TP53 und LRP1B —, nachdem das Team aus mehr als 8.000 Pathologieproben Muster zwischen Bild und Genetik gewonnen hatte. Version 2.0 ergänzt BRAF, ERBB2, FGFR, MET, NTRK und RET auf insgesamt zwölf und deckt damit alle Genziele der in China derzeit zugelassenen Lungenkrebs-Zieltherapien ab. Die angegebene Vorhersagegenauigkeit liegt bei bis zu 90 Prozent. Kombiniert mit der gezielten Bestätigung soll der KI-Vorabtest die Gesamtkosten der Gendiagnostik in den Bereich weniger Hundert Yuan drücken — nicht, weil Sequenzierung selbst billiger wird, sondern weil so viele blinde Vollscans herausgefiltert werden.
Warum die Basisversorgung die eigentliche Bühne ist
Entscheidend ist nicht die Spitzenklinik, sondern das Krankenhaus auf Kreis- und Bezirksebene: Dort fehlt die Sequenzierkapazität, Patienten werden entweder nach oben überwiesen und warten auf ihr Typisierungsergebnis, oder sie beginnen eine Chemotherapie und verpassen das Fenster für Zieltherapien. Die Vorsortierung braucht nur digitalisierte Präparate und Rechenleistung; die Einstufung kann vor Ort erfolgen. Das passt zur Richtung, in die sich medizinische KI bewegt: Googles AMIE hat die Differenzialdiagnose in einer Lancet-Studie in reale Ambulanzabläufe eingebaut. Der Wettbewerb verschiebt sich von der Frage, ob ein Modell richtig antwortet, hin zu der Frage, ob es in eine echte Versorgungskette passt und Patienten Zeit und Geld spart.
Vorsortierung ist keine Diagnose
Die 90 Prozent sind ein Bestwert, kein Durchschnitt, den jedes Gen und jedes Krankenhaus erreicht; die Stichproben unterscheiden sich je Ziel stark, und für seltene Ziele braucht es mehr Daten aus der Praxis. Ein Vorabtest ersetzt auch keine Bestätigungsdiagnostik: Hohe Wahrscheinlichkeit muss gezielt verifiziert werden, und eine niedrige darf niemals als Beweis gelten, dass keine Mutation vorliegt — den Preis für einen Fehler zahlt der Patient. Die Entwickler selbst benennen den nächsten Schritt klar: aus dem Ergebnis ein Produkt machen und es in die Basisversorgung bringen. Drei Punkte sind zu beobachten: wann Genauigkeitsdaten je Einzelgen veröffentlicht werden, wie das Modell in externen Krankenhäusern abschneidet und wie weit die Kombination aus Vorabtest und Bestätigung die Gesamtkosten in der realen Abrechnung tatsächlich senkt. Bis dahin ist DeepGEM 2.0 am besten als Vorsortierungs-Upgrade mit klarem klinischem Pfad zu lesen, nicht als Ersatz für Gentests.
