06.08.2026

Wie Raman-Spektroskopie den Weg in die Klinik findet

Michael Schmitt, Institut für Physikalische Chemie und Abbe Center of Photonics, Friedrich-Schiller-Universität Jena

Anja Silge, Prof. Jürgen Popp , Leibniz-Institut für Photonische Technologien (IPHT)

Die Vision ist klar: Krankheiten früher erkennen, gezielter behandeln und Therapieentscheidungen schneller treffen. Doch genau hier stößt die moderne Medizin häufig an ihre Grenzen, insbesondere bei Infektionen und Krebs. Neue diagnostische Ansätze sind daher dringend erforderlich.

Zeit ist dabei ein entscheidender Faktor in der Medizin. Ob bei schweren Infektionen oder in der Tumorchirurgie diagnostische Verzögerungen können unmittelbare Auswirkungen auf Therapieentscheidungen und Behandlungserfolg haben.

Gerade in der Infektionsmedizin kann sich der Zustand eines Patienten innerhalb weniger Stunden dramatisch verschlechtern. Gleichzeitig führt die häufig notwendige empirische Therapie mit Breitbandantibiotika ohne gesicherte Diagnose zu einer weiteren Zunahme von Resistenzen. Eine schnelle und präzise Identifikation von Erregern und deren Resistenzprofil ist daher von zentraler Bedeutung.

Auch in der Onkologie spielt Zeit eine kritische Rolle: Während eines operativen Eingriffs muss unmittelbar entschieden werden, ob Tumorgewebe vollständig entfernt wurde. Bisher basiert die Tumorresektion im OP vor allem auf der visuellen Inspektion durch den Chirurgen bzw. die Chirurgin, häufig unterstützt durch Vergrößerungssysteme wie Operationsmikroskope oder Lupenbrillen. Die präzise Abgrenzung von Tumorgewebe bleibt dabei jedoch eine große Herausforderung. Ob ein Tumor wirklich erfolgreich entfernt wurde, zeigt sich oft erst Tage oder Wochen später, wenn das entnommene Gewebe in einer histopathologischen Untersuchung unter dem Mikroskop analysiert wird. Im ungünstigsten Fall ist eine erneute Operation notwendig, häufig verbunden mit zusätzlichen belastenden Therapien wie Chemo- oder Strahlentherapie.

Vor diesem Hintergrund wird deutlich: Diagnostik muss nicht nur präzise, sondern vor allem schnell und möglichst direkt am Ort der Behandlung verfügbar sein, ohne den Umweg über zentrale Labore. Zu den vielversprechendsten Technologien für eine solche "Next-Generation-Diagnostik" zählt die Raman-Spektroskopie. Sie ermöglicht die markierungsfreie, molekulare Charakterisierung von Zellen, Geweben und Körperflüssigkeiten und liefert damit direkt chemische Informationen, die mit klassischen diagnostischen Verfahren nur eingeschränkt zugänglich sind.(1)

Eine besondere Stärke liegt dabei im Point-of-Use-Einsatz: Raman-basierte Systeme können potenziell direkt am Patienten eingesetzt werden, sei es im OP, am Krankenbett oder perspektivisch in der Arztpraxis und ermöglichen so unmittelbare diagnostische Ergebnisse ohne zeitaufwendige Probenaufbereitung oder Transport in zentrale Labore.

Dennoch ist der Schritt aus dem Labor in die klinische Routine bislang nur teilweise gelungen. Ein zentraler Grund dafür liegt in der Komplexität der Daten und genau hier zeichnet sich mit dem Einsatz von Künstlicher Intelligenz (KI) ein entscheidender Durchbruch ab.(2)

Raman-Spektroskopie: Molekulare Fingerabdrücke biologischer Systeme in Echtzeit

Die Raman-Spektroskopie nutzt die inelastische Streuung von Licht, um molekulare "Fingerabdrücke" zu erzeugen.(3) Diese erlauben Rückschlüsse auf die chemische Zusammensetzung und den funktionellen Zustand biologischer Proben.

Die Raman-Spektroskopie basiert auf der Wechselwirkung von Laserlicht mit Molekülen. Ein kleiner Teil des eingestrahlten Lichts wird dabei mit veränderter Energie gestreut. Diese Energieänderung entspricht den charakteristischen Schwingungen chemischer Bindungen innerhalb eines Moleküls.

Jedes Molekül besitzt ein individuelles Schwingungsmuster und damit einen spezifischen "molekularen Fingerabdruck". Da Zellen und Gewebe aus einer Vielzahl unterschiedlicher Moleküle - beispielsweise Proteinen, Lipiden, Nukleinsäuren und Metaboliten - aufgebaut sind, enthält ein Raman-Spektrum die kombinierte Information aller in der Probe vorhandenen molekularen Bestandteile.

Verändern sich Zusammensetzung oder Struktur eines Gewebes, etwa durch Entzündungen, Infektionen oder Tumorerkrankungen, verändert sich auch dessen Raman-Spektrum. Die Methode ermöglicht es daher, biologische Systeme direkt auf molekularer Ebene markierungsfrei und ohne aufwendige Probenvorbereitung zu charakterisieren.

Eine Herausforderung der Raman-Spektroskopie ist jedoch der sehr geringe Streuquerschnitt. Zudem können störende Fluoreszenzsignale die Messung überlagern. Um die Empfindlichkeit zu erhöhen und schnelle bildgebende Anwendungen zu ermöglichen, werden daher häufig signalverstärkende kohärente Raman-Verfahren wie Coherent Anti-Stokes Raman Scattering (CARS) oder Stimulated Raman Scattering (SRS) eingesetzt. Bei diesen Methoden wird das Raman-Signal durch die kohärente Anregung molekularer Schwingungen um mehrere Größenordnungen verstärkt, wodurch hochauflösende chemische Bildgebung in Echtzeit möglich wird. Im Gegensatz zur klassischen Raman-Spektroskopie erfassen CARS und SRS jedoch häufig nur eine oder wenige gezielt ausgewählte Schwingungen und liefern damit in der Regel weniger umfassende spektrale Informationen.

Das Raman-Spektrum einer Zelle oder eines Gewebes repräsentiert einen "Raman Spectral Phenotype", der die Gesamtheit der molekularen Bestandteile und strukturellen Eigenschaften eines biologischen Systems zu einem bestimmten Zeitpunkt und unter definierten Bedingungen widerspiegelt. Es integriert Informationen aus Genomik, Transkriptomik, Proteomik und Metabolomik in einem einzigen optischen Messsignal und liefert damit einen ganzheitlichen molekularen Blick auf den aktuellen biologischen Zustand (siehe Abbildung 1).(4)

Abb.1: A) Der sogenannte "Raman Spectral Phenotype" beschreibt die Gesamtheit der relativen Ramanintensitäten molekularer Zellkomponenten
und bildet damit den spektralen Fingerabdruck einer Zelle.
B) Durch anwenderfreundliche Probenvorbereitung, kompakte Raman-Systeme und KI-gestützte Datenanalyse kann dieser Fingerabdruck für die medizinische Diagnostik (z. B. für Infektionen) genutzt werden, um frühzeitige und gezielte Therapieentscheidungen zu unterstützen. (© Silge, A. (2026)).

Gerade diese hohe Informationsdichte macht Raman-Spektren so wertvoll für die medizinische Diagnostik. Gleichzeitig stellt sie ihre Auswertung vor große Herausforderungen.

KI als Schlüssel zur klinischen Anwendung

Die enorme Komplexität der Raman-Spektren war lange Zeit eine der größten Hürden für den klinischen Einsatz. Trotz erheblicher Fortschritte in der Instrumentierung blieb die breite Anwendung daher lange aus. Der Grund liegt vor allem in der Datenanalyse. Raman-Spektren sind hochkomplex, variieren stark zwischen Patienten und enthalten Informationen, die für das menschliche Auge kaum zugänglich sind.(5)

Künstliche Intelligenz verändert diese Situation grundlegend. Moderne Algorithmen ermöglichen es, relevante Muster in großen Datensätzen zu erkennen und in robuste diagnostische Aussagen zu überführen.(2) Erst dadurch wird aus den komplexen molekularen Fingerabdrücken der Raman-Spektroskopie eine klinisch interpretierbare Information. KI bildet damit die Brücke zwischen physikalischer Messung und medizinischer Entscheidung. Sie ist damit eine zentrale Voraussetzung dafür, Raman-basierte Verfahren in die klinische Routine zu überführen (siehe Abbildung 1).

Erst das Zusammenspiel aus moderner Instrumentierung, KI-gestützter Datenanalyse und - ganz wichtig - der engen interdisziplinären Zusammenarbeit zwischen Technologen und Ärzten ermöglicht heute den Schritt von der Laborentwicklung hin zur klinischen Anwendung. Dabei kommt der Raman-Spektroskopie zugute, dass sie ohne Marker oder Farbstoffe auskommt und nur eine minimale Probenvorbereitung erfordert. Dadurch eignet sich die Methode ideal für Anwendungen direkt am Patienten, sei es im Operationssaal, am Krankenbett oder perspektivisch sogar in der Arztpraxis.

Die Leistungsfähigkeit dieses Ansatzes wird besonders in zwei medizinischen Anwendungsfeldern deutlich, in denen schnelle und präzise Entscheidungen entscheidend sind. In der Infektionsdiagnostik unterstützt KI beispielsweise die Klassifikation von Pathogenen und Resistenzmustern sowie die Analyse der Immunantwort.(8,6,9,7) In der Onkologie ermöglicht sie die automatische Gewebeklassifikation, Tumorerkennung und sogar die Generierung histologieähnlicher Bilder.(10) Wie diese beiden Anwendungsfelder den Weg der Raman-Spektroskopie von der Forschung in die klinische Praxis ebnen, wird im Folgenden näher erläutert.

Infektionsdiagnostik: Schneller zur richtigen Therapie

Ein zentraler Fokus liegt auf zeitkritischen infektiologischen Fragestellungen, insbesondere bei schweren systemischen Infektionen, bei denen frühe therapeutische Entscheidungen entscheidend sind.(11,12) Ein klassisches Problem der klinischen Mikrobiologie ist dabei die Zeit: Viele etablierte Verfahren basieren auf der Kultivierung von Erregern und benötigen mehr als 24 Stunden. Raman-basierte Hochdurchsatz- und Zellanalyseansätze ermöglichen hingegen eine markierungsfreie Charakterisierung klinischer Proben und liefern molekulare Informationen sowohl über Pathogene und den Resistenzstatus von Bakterien als auch über die Immunantwort des Wirts.

Im Mittelpunkt steht dabei die Analyse von Leukozyten, deren Raman-Signaturen Rückschlüsse auf Aktivierungszustände und immunologische Dynamiken erlauben. So können beispielsweise neutrophile Granulozyten, Lymphozyten und Monozyten als sensitive Indikatoren für systemische Veränderungen genutzt werden.(8,6) Diese Form des "Host-Response"-Profilings eröffnet neue Möglichkeiten für eine differenzierte Diagnostik, indem nicht nur der Erreger selbst, sondern auch die Reaktion des Körpers auf die Infektion erfasst wird.

Ein besonderer translationaler Mehrwert ergibt sich in der schnellen Bestimmung von Antibiotikaresistenzen.(9,7) Durch die Raman-spektroskopische Analyse mikrobieller Phänotypen sowie deren Reaktionsmuster auf therapeutische Interventionen können Raman-basierte Workflows eine frühzeitige und gezielte Therapieentscheidung unterstützen. Damit tragen sie zu einer präziseren und verantwortungsvolleren Anwendung von Antibiotika bei und adressieren eine der zentralen Herausforderungen der modernen Medizin.

Onkologie: Diagnostik direkt im Operationssaal

Ein zweites zentrales Anwendungsfeld ist die Echtzeit-Diagnostik in der Onkologie, insbesondere im chirurgischen Kontext.(13) Ein wichtiger Meilenstein ist hierbei der Einsatz faserbasierter Raman-Systeme wie des Raman InvaScope, das bereits in vivo zur Unterstützung intraoperativer Entscheidungen eingesetzt wird und als MDR-orientierte Plattform gezielt für den klinischen Ein-satz weiterentwickelt wird.(14,15)

Allerdings liefern solche faserbasierten Raman-Sonden typischerweise punktuelle Messungen. Um eine flächige, bildgebende Erfassung von Gewebe zu ermöglichen, sind daher weiterführende Ansätze erforderlich, die über die reine Spektroskopie hinausgehen.

Vor diesem Hintergrund wurden multimodale bildgebende Verfahren entwickelt, die kohärente Raman-Techniken wie CARS oder SRS(16) (siehe Infokasten) mit komplementären nichtlinearen Kontrasten wie Zwei-Photonen-angeregter Fluoreszenz (TPEF) und Second Harmonic Generation (SHG) kombinieren.(17) Diese erlauben eine schnelle, großflächige Erfassung und liefern gleichzeitig strukturelle und chemische Information ("Morphochemie"). Solche multimodalen Ansätze lassen sich in faserbasierte und endoskopische Plattformen integrieren und eröffnen damit neue Möglichkeiten für die klinische Echtzeitdiagnostik und intraoperative Entscheidungsunterstützung.(19,21,20,18) Ziel ist es, eine histologieähnliche Darstellung von Gewebe in Echtzeit zu ermöglichen ohne klassische Färbung und ohne zeitaufwendige Gewebeaufbereitung.

Diese Form der "spectral histopathology" ermöglicht eine flächige und kontinuierliche Gewebecharakterisierung und eröffnet insbesondere neue Möglichkeiten für die präzise Bestimmung von Tumorrändern.(10) Perspektivisch weisen diese Ansätze darüber hinaus den Weg zu integrierten "See-and-Treat"-Strategien, bei denen diagnostische Information unmittelbar in therapeutische Maßnahmen überführt wird.(21,22) In Kombination mit robotischen Systemen können multimodale Bildgebung und gezielte, laserbasierte Gewebeablation miteinander verknüpft werden, sodass eine automatisierte, präzise und bildgeführte Intervention direkt im Operationsfeld möglich wird.

Von der Forschung zur klinischen Routine

Neben der Datenanalyse spielen auch technologische und organisatorische Aspekte eine entscheidende Rolle. Klinisch einsetzbare Systeme müssen robust, standardisiert und einfach zu bedienen sein. Gleichzeitig müssen sie sich nahtlos in bestehende klinische Abläufe integrieren lassen.
Erste Systeme und Plattformen zeigen bereits, dass dieser Übergang von hochspezialisierten Laboraufbauten hin zu kompakten, automatisierten Geräten für den klinischen Einsatz möglich ist.(14,21,15)

Ausblick: Der Weg zur personalisierten Medizin

Ein besonders vielversprechender Ansatz ist die Idee des "Personalized Optical Digital Twin". Dabei werden individuelle molekulare Profile über längere Zeiträume erfasst und analysiert.

Die entscheidende Information liegt nicht nur im absoluten Messwert, sondern in der Veränderung im Zeitverlauf. KI-gestützte Modelle können solche Veränderungen erkennen und frühzeitig auf Krankheitsprozesse hinweisen und das möglicherweise noch bevor klinische Symptome auftreten.
In Kombination mit weiteren Datenquellen, etwa von Wearables, entsteht so eine neue Form der personalisierten, prädiktiven Medizin.

Fazit

Die Raman-Spektroskopie hat sich in den letzten Jahren von einer vielversprechenden Labormethode zu einer ernstzunehmenden Technologie für die klinische Diagnostik entwickelt. In Kombination mit Künstlicher Intelligenz ist es heute möglich, komplexe molekulare Informationen in klinisch relevante Entscheidungen zu übersetzen.
Damit sind wesentliche wissenschaftlich-technologische Voraussetzungen geschaffen, um Raman-basierte Verfahren in die medizinische Routine zu überführen.

Der nächste entscheidende Schritt besteht nun darin, regulatorische Hürden insbesondere im Kontext der europäischen Medizinprodukteverordnung (MDR) zu überwinden und die klinische Validierung weiter voranzutreiben. Gelingt dies, könnte Raman-Spektroskopie in Verbindung mit KI tatsächlich zu einem zentralen Baustein der zukünftigen, datengetriebenen Medizin werden.

Danksagung: Der Europäischen Union, dem Thüringer Ministerium für Bildung, Wissenschaft und Kultur, der Thüringer Aufbaubank, dem Bundesministerium für Forschung, Technologie und Raumfahrt der Bundesrepublik Deutschland, der Deutschen Forschungsgemeinschaft und der Car-Zeiss-Stiftung wird für die finanzielle Unterstützung gedankt.

Literatur

1. Cialla-May, D.; Krafft, C.; Roesch, P.; Deckert-Gaudig, T.; Frosch, T.; Jahn, I. J.; Pahlow, S.; Stiebing, C.; Meyer-Zedler, T.; Bocklitz, T.; Schie, I.; Deckert, V.; Popp, J. Anal. Chem. 2022, DOI: 10.1021/acs.analchem.1c03235.
   
2. Pradhan, P.; Guo, S.; Ryabchykov, O.; Popp, J.; Bocklitz, T. W. J. Biophotonics 2020, DOI: 10.1002/jbio.201960186.
   
3. Krafft, C.; Dietzek, B.; Schmitt, M.; Popp, J. J. Biomed. Opt. 2012, DOI: 10.1117/1.JBO.17.4.040801.
   
4. Schmitt, M.; Popp, J. Chem. Unserer Zeit 2011, DOI: 10.1002/ciuz.201100540.
   
5. Bocklitz, T. W.; Guo, S.; Ryabchykov, O.; Vogler, N.; Popp, J. Anal. Chem. 2016, DOI: 10.1021/acs.analchem.5b04665.
   
6. Giamarellos-Bourboulis, E. J.; Thomas-Ruddel, D.; Pistiki, A.; Ramoji, A.; Ryabchykov, O.; Azam, K. S. F.; Toutouzas, K.; Prekates, A.; Karatzas, S.; Mathas, C.; Kotsaki, A.; Chalvatzis, S.; Antonakos, N.; Damoraki, G.; Ruger, J.; Knorr, F.; Arend, N.; Silge, A.; Schie, I.; Eugen-Olsen, J.; Bocklitz, T.; Bauer, M.; Winning, J.; Kiehntopf, M.; Popp, J.; Bloos, F.; Neugebauer, U. Shock 2026, DOI: 10.1097/SHK.0000000000002699.
   
7. Pistiki, A.; Ryabchykov, O.; Wagenhaus, A.; Bocklitz, T. W.; Deinhardt-Emmer, S.; Loffler, B.; Rosch, P.; Popp, J. Anal. Chem. 2026, DOI: 10.1021/acs.analchem.5c03370.
   
8. Arend, N.; Pittner, A.; Ramoji, A.; Mondol, A. S.; Dahms, M.; Rueger, J.; Kurzai, O.; Schie, I. W.; Bauer, M.; Popp, J.; Neugebauer, U. Anal. Chem. 2020, DOI: 10.1021/acs.analchem.0c01384.
   
9. Kirchhoff, J.; Glaser, U.; Bohnert, J. A.; Pletz, M. W.; Popp, J.; Neugebauer, U. Anal. Chem. 2018, DOI: 10.1021/acs.analchem.7b03800.
   
10. Bocklitz, T. W.; Salah, F. S.; Vogler, N.; Heuke, S.; Chernavskaia, O.; Schmidt, C.; Waldner, M. J.; Greten, F. R.; Braeuer, R.; Schmitt, M.; Stallmach, A.; Petersen, I.; Popp, J. BMC Cancer 2016, DOI: 10.1186/s12885-016-2520-x.
    
11. Yilmaz, H.; Ramoji, A.; Winterfeld, A.; Salehi, H.; Ozkul, A.; Popp, J. ACS Photonics 2026, DOI: 10.1021/acsphotonics.5c02174.
    
12. Tannert, A.; Grohs, R.; Popp, J.; Neugebauer, U. Appl. Microbiol. Biotechnol. 2019, DOI: 10.1007/s00253-018-9505-4.
    
13. Schmitt, M.; Meyer-Zedler, T.; Guntinas-Lichius, O.; Popp, J. Chirurgie 2022, DOI: 10.1007/s00104-022-01663-2.
    
14. Bali, A.; Bitter, T.; Kouka, M.; Ballmaier, J.; Latka, I.; Windirsch, F.; Pertzborn, D.; Ziller, N.; Mafra, M.; Gassler, N.; Popp, J.; Muehlig, A.; Eggeling, F. von; Guntinas-Lichius, O.; Schie, I. W. Sci Rep 2025, DOI: 10.1038/s41598-025-08222-9.
    
15. Latka, I.; Mogensen, K.; Knorr, F.; Kuzucu, C.; Windirsch, F.; Sandic, D.; Popp, J.; Hermann, G. G.; Schie, I. W. Cancers 2024, DOI: 10.3390/cancers16183238.
    
16. Brzozowski, K.; Korona, W.; Nowakowska, A.; Borek-Dorosz, A.; Pieczara, A.; Orzechowska, B.; Wislocka-Orlowska, A.; Schmitt, M.; Popp, J.; Baranska, M. Vib. Spectrosc. 2024, DOI: 10.1016/j.vibspec.2024.103684.
    
17. Shaked, N. T.; Boppart, S. A.; Wang, L. V.; Popp, J. Nat. Photonics 2023, DOI: 10.1038/s41566-023-01299-6.
    
18. Pshenay-Severin, E.; Bae, H.; Reichwald, K.; Matz, G.; Bierlich, J.; Kobelke, J.; Lorenz, A.; Schwuchow, A.; Meyer-Zedler, T.; Schmitt, M.; Messerschmidt, B.; Popp, J. Light-Sci. Appl. 2021, DOI: 10.1038/s41377-021-00648-w.
    
19. Bae, H.; Rodewald, M.; Meyer-Zedler, T.; Bocklitz, T. W.; Matz, G.; Messerschmidt, B.; Press, A. T.; Bauer, M.; Guntinas-Lichius, O.; Stallmach, A.; Schmitt, M.; Popp, J. Sci Rep 2023, DOI: 10.1038/s41598-023-40944-6.
    
20. Lai, C.; Calvarese, M.; Reichwald, K.; Bae, H.; Vafaeinezhad, M.; Meyer-Zedler, T.; Hoffmann, F.; Muehlig, A.; Eidam, T.; Stutzki, F.; Messerschmidt, B.; Gross, H.; Schmitt, M.; Guntinas-Lichius, O.; Popp, J. J. Biomed. Opt. 2023, DOI: 10.1117/1.JBO.28.6.066004.
    
21. Calvarese, M.; Corbetta, E.; Contreras, J.; Bae, H.; Lai, C.; Reichwald, K.; Meyer-Zedler, T.; Pertzborn, D.; Muehlig, A.; Hoffmann, F.; Messerschmidt, B.; Guntinas-Lichius, O.; Schmitt, M.; Bocklitz, T.; Popp, J. Sci. Adv. 2024, DOI: 10.1126/sciadv.ado9721.
    
22. Calvarese, M.; Meyer-Zedler, T.; Schmitt, M.; Guntinas-Lichius, O.; Popp, J. Trac-Trends Anal. Chem. 2023, DOI: 10.1016/j.trac.2023.117250.

» Artikel als pdf (332 KByte)