Beitrag von QuantumBasel · Erstveröffentlichung: 3. November 2025
Moonlight AI revolutioniert die Krebsdiagnostik durch den Einsatz von KI zur Analyse von Blutausstrich-Objektträgern, mit dem Ziel, eine schnellere und leichter zugängliche Alternative zu herkömmlichen molekularen Tests zu schaffen. In Zusammenarbeit mit dem „ QuantumBasel “ und der Universität Basel untersuchte das Team, wie Quantenalgorithmen und KI die Modellleistung weiter verbessern könnten, insbesondere bei der Erkennung zirkulierender seltener Zellen (CRCs).
Die Herausforderung: Ein Engpass in der Krebsdiagnostik
Hämatologische Krebserkrankungen betreffen weltweit mehr als 1,7 Millionen Menschen. Dennoch erhalten aufgrund der hohen Kosten, der Komplexität und des Bedarfs an spezialisierter Ausrüstung weniger als 20 % der in Frage kommenden Patienten die lebenswichtigen molekularen Untersuchungen. Derzeit dauert es mehr als 10 Tage, Mutationen mit herkömmlichen Methoden wie der Next-Generation-Sequenzierung (NGS) nachzuweisen – eine Verzögerung, die sich entscheidend auf den Behandlungserfolg auswirken kann.
Moonlight AI hat einen besseren Weg gefunden: die Analyse von Standard-Blutausstrich-Objektträgern mithilfe von KI. Das Modell des Unternehmens zielt darauf ab, die Bearbeitungszeit drastisch von mehr als 10 Tagen auf unter eine Stunde zu verkürzen, sodass mehr Patienten von zeitnahen, gezielten Therapien profitieren können.
Doch die Weiterentwicklung der KI bis zu diesem Grad an Sensibilität und Skalierbarkeit brachte eine neue Herausforderung mit sich: die Rechenkomplexität.
Die Lösung: Intelligentere KI, bereit für die Quanten-Ära
Hier kam „ QuantumBasel “ ins Spiel. Gemeinsam entwickelte das Team zwei innovative Ansätze auf Basis des maschinellen Lernens zur Erkennung zirkulierender seltener Zellen (CRCs), einem entscheidenden Biomarker für die Krebserkennung:
- KI-Optimierung: Leistungssteigerung um mehr als 10 % (durchschnittlicher AUC-Wert).
- Reduzierung der Komplexität beim Training von KI: Die Anzahl der trainierten Parameter wurde um den Faktor 5 reduziert, bei vergleichbarer Leistung.
- Eine quantenfähige Pipeline mit zwei eingereichten Patentanmeldungen
Diese zweigleisige Innovationsstrategie verschafft Moonlight AI bereits heute eine einsatzbereite, zum Patent angemeldete klassische Lösung und eine quantenfähige Pipeline für die Zukunft.
„Unsere Zusammenarbeit mit QuantumBasel hat schnell und kontinuierlich zu Ergebnissen geführt. Sie haben uns als Denkpartner behandelt und eine praxisorientierte Herangehensweise an den Tag gelegt, die sie wirklich von anderen abhebt.“ – Nicole Romano, Mitbegründerin und CTO, Moonlight AI
Der Weg in die Zukunft: Vom Prototyp zur Serienfertigung
Der Erfolg des Proof-of-Concept führte zur Einreichung von Patentanmeldungen, um das geistige Eigentum von Moonlight AI zu sichern. Nun könnten sich mögliche nächste Schritte darauf konzentrieren, den Quantenalgorithmus vom Prototyp zur Serienreife weiterzuentwickeln und damit den Weg für den Einsatz in der Praxis zu ebnen.
Durch die Kombination der besten Aspekte des klassischen und des Quantencomputings treiben Moonlight AI und QuantumBasel Innovationen in der Krebsdiagnostik voran.
Weiterführende Literatur
Die Erkennung und Klassifizierung von Zellmorphologien erfolgt durch Entnahme einer Blutprobe des Patienten und die Verarbeitung dieser Probe mittels eines DNA-Sequenzierers, bevor die Ergebnisse analysiert werden. Ein weitaus effizienterer Ansatz wäre der Einsatz von KI-Tools für das Multiple-Instance-Learning (MIL). Ein wesentlicher Engpass bei dieser Methodik ist die Rechenkomplexität und die hohe Anzahl trainierbarer Parameter in den auf Deep Learning basierenden Aufmerksamkeitsmechanismen, die beim Multiple-Instance-Learning (MIL) zum Einsatz kommen und die Trainingseffizienz beeinträchtigen können.
Um dieses Problem zu lösen, wird in diesem Beitrag ein neuartiger, auf dem Attention-Mechanismus basierender „Extreme Learning Machine“-Ansatz (Extreme MIL) vorgeschlagen, der die Anzahl der trainierten Parameter deutlich reduziert und gleichzeitig bei der Erkennung seltener Zellen eine mit Deep-MIL-Modellen vergleichbare Leistung erzielt. Während Deep-MIL-Modelle alle Parameter mittels Backpropagation trainieren, friert Extreme MIL die meisten Parameter im Attention-Mechanismus ein und trainiert lediglich die abschließende Klassifikationsschicht.
Zu unseren wichtigsten Verbesserungen gegenüber dem bisherigen Stand der Technik zählen: ein höherdimensionaler Merkmalsraum im Aggregationsschritt des aufmerksamkeitsbasierten Deep-MIL-Modells, was zu einer erheblichen Verbesserung der Leistung (über 10 % bei der AUC) und der Robustheit führte, eine domänenspezifische Vorverarbeitung, die bei allen Modellen zu erheblichen Leistungssteigerungen führt, sowie „Extreme MIL“, das eine mit Deep MIL vergleichbare Leistung erzielte und gleichzeitig die Anzahl der trainierten Parameter um den Faktor 5 reduzierte. Die Veröffentlichung finden Sie hier.
