endoatlas
🔬 Diagnostik

Nicht-invasive Biomarker zur Endometriose-Diagnostik

Konfidenz: Sehr hoch · 22 Aktualisiert: 2026-04-04

Nicht-invasive Biomarker zur Endometriose-Diagnostik

Überblick

Nicht-invasive Biomarker sind messbare biologische Signale – etwa Proteine, Mikro-RNAs oder Stoffwechselprodukte – die aus leicht zugänglichen Körperflüssigkeiten wie Blut, Urin, Menstrualflüssigkeit oder Speichel gewonnen werden und eine Erkrankung anzeigen können, ohne dass ein operativer Eingriff nötig ist. Bei Endometriose gewinnen solche Marker besondere klinische Bedeutung, weil die Diagnose bis heute eine Laparoskopie erfordert und die durchschnittliche Diagnoseverzögerung 7–10 Jahre beträgt. Die Forschung hat ein breites Spektrum molekularer Kandidaten untersucht – von zirkulierenden Mikro-RNAs über Proteine wie TGF-β1 (AUC 0,973) und VEGF-A bis hin zu extrazellulären Vesikeln aus Menstrualflüssigkeit –, doch konnte bislang kein einzelner Marker eine klinisch ausreichende diagnostische Güte vorweisen. Die vielversprechendsten Ergebnisse stammen aus Kombinationspanels und der spezialisierten Probenquelle Menstrualeffluat; ein Cochrane-Review bestätigt, dass aktuell kein nicht-invasiver Test für die Routinediagnostik zugelassen ist.

Methods

Die in der Literatur eingesetzten Methoden zur Identifikation nicht-invasiver Biomarker umfassen ein breites Spektrum biologischer Matrizes und analytischer Verfahren. Als Probenmaterial dienen neben peripherem Blut (Serum, Plasma) auch Urin, Speichel, Atemluft sowie gynäkologisch relevante Flüssigkeiten wie Peritoneal-, Follikel- und Menstrualflüssigkeit (Lazaros et al., 2025; Soketang et al., 2024). Die meisten publizierten Studien verwenden ein Fall-Kontroll-Design, bei dem histopathologisch oder laparoskopisch gesicherte Diagnosen als Referenzstandard dienen; diagnostische Gütekriterien werden überwiegend als Sensitivität, Spezifität und AUC im ROC-Verfahren berichtet (Watrowski et al., 2026; Miller et al., 2022; Masuda et al., 2021).

Auf molekularer Ebene kommen mehrere Plattformen zum Einsatz: Proteinbiomarker werden typischerweise mittels ELISA quantifiziert (Watrowski et al., 2026; Miller et al., 2022), während miRNA-Profile über Microarray-Technologie oder sequenzbasierte Verfahren erfasst werden. Für Lipidmarker und Metaboliten werden massenspektrometrische Verfahren im Rahmen von Metabolomik- und Lipidomik-Plattformen eingesetzt (Voros et al., 2025). Eine neuere methodische Ergänzung ist die Isolation kleiner extrazellulärer Vesikel (sEVs) aus Plasma oder der Plasmafraktion von Menstrualflüssigkeit, wobei auf eine effiziente Abtrennung von Nicht-sEV-Kontaminanten geachtet wird (Peragallo-Papic et al., 2026; Husby et al., 2003; Halme et al., 1984).

Zur Klassifikation werden zunehmend maschinelle Lernverfahren eingesetzt. Ein validiertes 6-miRNA-Serum-Panel (miR-125b-5p, miR-150-5p, miR-342-3p, miR-451a, miR-3613-5p, let-7b) wurde mittels Random-Forest-Klassifikator ausgewertet und erreichte im validierten Testset eine AUC von 0,94. Regressionsmodelle werden häufig auf zufällig aufgeteilten Entdeckungs- und Validierungskohorten (z. B. im Verhältnis 70:30) geprüft, um Überanpassung zu begrenzen (Mata-Martínez et al., 2025). Hochdurchsatz-Analyseplattformen, integriert mit KI- und Big-Data-Methoden, gelten als perspektivisch wesentlich für die Translation in die klinische Praxis (Lazaros et al., 2025).

Ein methodisch kritischer Punkt betrifft die fehlende Standardisierung der Probengewinnung, -lagerung und Messzeitpunkte im Menstruationszyklus, was die Reproduzierbarkeit zwischen Studien erheblich einschränkt (Brulport et al., 2024). Mehrere Autor:innen fordern eine Harmonisierung der Datenerhebung nach den Empfehlungen des EPHect-Projekts, die Meta-Analysen und ausreichend große Kohorten erst ermöglichen würde (Brulport et al., 2024). Zudem wurden viele Studien ohne Angabe numerischer Diagnosemetriken publiziert, was eine quantitative Synthese zusätzlich erschwert (Watrowski et al., 2026; Miller et al., 2022). Die Mehrheit der Untersuchungen analysierte Biomarker-Panels statt Einzelmarker; diagnostische Schwellenwerte wurden in Einzelfällen a priori definiert (z. B. TGF-β1 ≥ 515 ng/mL) (Watrowski et al., 2026), was eine wichtige Voraussetzung für klinisch anwendbare Grenzwerte darstellt, in der Praxis jedoch die Ausnahme bleibt.

Accuracy

Unter den bislang untersuchten Einzelbiomarkern weist TGF-β1 aus dem Menstrualeffluat die höchste berichtete diagnostische Güte auf: Eine AUC von 0,973 (95%-KI 0,928–1,000) bei einer Sensitivität von 80 % und Spezifität von 90 % ab einem Schwellenwert von 515 ng/mL wurde in mehreren Analyse-Kontexten konsistent dokumentiert (Watrowski et al., 2026; Miller et al., 2022; Masuda et al., 2021; Dückelmann et al., 2025). VEGF-A erreichte in einem Fall-Kontroll-Design eine AUC von 0,853 mit Sensitivität 84,2 % und Spezifität 85,7 %; die Aussagekraft dieser Spezifitätsangabe ist jedoch erheblich eingeschränkt, da die Kontrollgruppe lediglich sieben Personen umfasste (Watrowski et al., 2026; Miller et al., 2022). Insgesamt berichteten neun Studien zu Menstrualeffluat-basierten Markern numerische diagnostische Kennzahlen (Sensitivität, Spezifität, AUC oder definierte Cut-offs); die Mehrheit nutzte dafür molekulare Marker, Proteinkonzentrationen, funktionelle Stroma-Zell-Assays oder lipidomische Signaturen (Watrowski et al., 2026; Miller et al., 2022; Masuda et al., 2021; Dückelmann et al., 2025).

Auf dem Gebiet der zirkulierenden miRNAs zeigte ein validiertes Panel aus sechs Serum-miRNAs (miR-125b-5p, miR-150-5p, miR-342-3p, miR-451a, miR-3613-5p, let-7b) eine AUC von 0,94 im Testset; einzelne miRNAs lagen zwischen AUC 0,68 und 0,92, wobei ein Random-Forest-Klassifikator auf Basis aller sechs Marker die beste Trennschärfe erzielte. Dennoch gilt grundsätzlich: Trotz dieser vielversprechenden Einzelbefunde konnte bislang weder ein einzelner Biomarker noch ein Biomarker-Panel mit ausreichender Sensitivität und Spezifität für den klinischen Einsatz identifiziert werden. Ein Cochrane-Review bestätigt, dass aktuell kein nicht-invasiver Test in der klinischen Praxis zur Verfügung steht, der Endometriose zuverlässig diagnostiziert (Gupta et al., 2016).

Für kleine extrauterine Vesikel (sEVs) aus der Plasmafraktion von Menstrualflüssigkeit wurden krankheitsspezifische transkriptomische Signaturen bei Endometriose-Patientinnen identifiziert, deren diagnostisches Potenzial bisher jedoch ausschließlich explorativ untersucht wurde und einer Validierung in größeren Kohorten bedarf (Peragallo-Papic et al., 2026). Maschinelles Lernen zur Integration lipidomischer Genexpressionsprofile wird als weiterer Ansatz zur Biomarker-Identifikation untersucht (Guo et al., 2025), ebenso wie metabolomische Marker aus Peritoneal- und Follikelflüssigkeit. Kandidatengene wie CEACAM1, FOS, PLA2G2A und THBS1 haben trotz diagnostischer Modellperformance bislang keine funktionelle Validierung durch In-vitro- oder In-vivo-Experimente erfahren (Soketang et al., 2024).

Die Reproduzierbarkeit zwischen Studien ist eingeschränkt. Als Hauptursachen gelten heterogene Patientenpopulationen, fehlende Berücksichtigung des Zyklusphase-Einflusses, unterschiedliche Endometriose-Phänotypen (insbesondere die Präsenz von Endometriomen scheint für metabolische Marker entscheidend) sowie mangelnde Standardisierung der Probengewinnung (Brulport et al., 2024). Diagnosestudien mit selbst berichteten Erkrankungen und fehlendem Staging-Nachweis limitieren die Interpretation krankheitsspezifischer Signaturen zusätzlich (Richards et al., 2026). Die diagnostische Verzögerung von durchschnittlich acht Jahren unterstreicht die klinische Dringlichkeit verlässlicher nicht-invasiver Marker (Lisa et al., 2026), während der Bedarf an harmonisierten Datenerfassungsmethoden und multizentrischen Kohorten für Metaanalysen als Voraussetzung für Fortschritte gilt (Brulport et al., 2024).

Biomarkers

Die Suche nach nicht-invasiven Biomarkern für Endometriose hat mehrere molekulare Klassen hervorgebracht, die sich in ihrer diagnostischen Reife erheblich unterscheiden. Trotz intensiver Forschung konnte bislang kein einzelner Biomarker – weder im Serum noch im Urin – mit ausreichender Sensitivität und Spezifität identifiziert werden; die Mehrheit der Studien untersuchte daher Multi-Marker-Panels.

Zirkulierende miRNAs stellen die am intensivsten untersuchte Klasse dar. Das diagnostisch relevanteste Panel umfasst sechs Serum-miRNAs – miR-125b-5p, miR-150-5p, miR-342-3p, miR-451a (alle signifikant erhöht), miR-3613-5p und let-7b (beide signifikant erniedrigt) –, die in einem Random-Forest-Klassifikator kombiniert wurden. Einzelne zirkulierende miRNAs zeigten im ROC-Verfahren variable Trennschärfe; die Konsistenz zwischen Studien bleibt jedoch ein ungelöstes Problem, da viele Aspekte der Freisetzung und Aufnahme extrazellulärer miRNAs physiologisch noch unzureichend verstanden sind (Simoens et al., 2007).

Kleine extrazelluläre Vesikel (sEVs) aus der Plasmafraktion von Menstrualflüssigkeit (MF) gewinnen als Biomarkerquelle an Bedeutung. Studien konnten sEVs aus diesem Kompartiment erfolgreich isolieren und zeigten, dass sEVs von Frauen mit Endometriose ein erhöhtes proangiogenes Potenzial sowie distinkte transkriptomische Signaturen aufweisen, die potenziell krankheitsspezifisch sind (Peragallo-Papic et al., 2026). Diese Befunde werden durch ältere Arbeiten gestützt, die MF als biologisches Reservoir für gynäkologische Erkrankungsbiomarker etabliert haben (Husby et al., 2003; Halme et al., 1984).

Metabolomische und lipidomische Marker bieten einen komplementären Zugang: Veränderungen im Lipidstoffwechsel, insbesondere Lipidmetabolismus-Genexpressionsprofile in Kombination mit maschinellem Lernen, können molekulare Subtypen der Endometriose abgrenzen (Guo et al., 2025). Metabolomics ermöglicht generell die Identifikation nicht-invasiver Biomarker aus verschiedenen Körperflüssigkeiten, einschließlich Peritoneal- und Follikelflüssigkeit; das klinische Translationspotenzial gilt jedoch als noch nicht ausgeschöpft.

Genexpressionsbasierte Kandidaten aus dem Endometrium wurden im Rahmen eines Cochrane-Reviews auf ihre diagnostische Güte hin systematisch bewertet (Gupta et al., 2016). Neuere bioinformatische Analysen identifizierten Schlüsselgene – darunter CEACAM1, FOS, PLA2G2A und THBS1 – als potenzielle diagnostische Marker, betonen jedoch, dass deren Rolle in funktionellen In-vitro- und In-vivo-Modellen noch nicht verifiziert wurde (Soketang et al., 2024).

Jenseits klassisch molekularer Marker eröffnen Breathomics und Wearable-basierte physiologische Parameter neue Wege: Veränderungen in Schweißkomponenten (Glukose, Ionen, Proteine, Aminosäuren, Lipide) reflektieren systemische pathophysiologische Störungen und werden als Frühdiagnostikansätze diskutiert (Zhang et al., 2024; Lazaros et al., 2025). Die Integration von KI und maschinellem Lernen in die Auswertung solcher Hochdurchsatz-Datensätze gilt als wesentlicher Schritt zur klinischen Implementierung (Lazaros et al., 2025).

Ein kritisches methodisches Problem betrifft die Reproduzierbarkeit: Die Erkrankungsphänotypen – insbesondere das Vorhandensein von Endometriomen, das entscheidend die Biomarker-Regulation beeinflusst, und das Krankheitsstadium (I–IV) – sowie die fehlende Harmonisierung der Datenerhebung erklären einen Großteil der Inkonsistenzen zwischen Studien (Brulport et al., 2024). Angesichts einer durchschnittlichen Diagnoselatenz von acht Jahren unterstreicht die Forschungsgemeinschaft den dringenden Bedarf an validierten, in großen multizentrischen Kohorten bestätigten Biomarker-Panels (Lisa et al., 2026). Aktuelle Empfehlungen fordern eine gleichzeitige Berücksichtigung lokaler und systemischer biologischer Kompartimente, verschiedener Krankheitsphänotypen, Behandlungseffekte, Symptome und Zyklusphase, um vergleichbare und meta-analysierbare Daten zu generieren (Brulport et al., 2024).

Quellen

  1. Anastasiu, C., Moga, M., Neculau, A. E., Bălan, A., Scârneciu, I., Dragomir, R., Dull, A., & Chicea, L. (2020). Biomarkers for the Noninvasive Diagnosis of Endometriosis: State of the Art and Future Perspectives. International Journal of Molecular Sciences. https://doi.org/10.3390/ijms21051750
  2. Brulport, A., Bourdon, M., Vaiman, D., Drouet, C., Pocate-Cheriet, K., Bouzid, K., Marcellin, L., Santulli, P., Abo, C., Jeljeli, M., Chouzenoux, S., Chapron, C., Batteux, F., Berthelot, C., & Doridot, L. (2024). An integrated multi-tissue approach for endometriosis candidate biomarkers: a systematic review. Reproductive Biology and Endocrinology. https://doi.org/10.1186/s12958-023-01181-8
  3. Dückelmann, A. M., Rolke, R., Möller, K., Magerl, W., Mechsner, S., & Kopf, A. (2025). Quantitative Sensory Testing in Endometriosis Patients With Cyclic vs. Non‐Cyclic Pain—A Case–Control Study. European Journal of Pain. https://doi.org/10.1002/ejp.70163
  4. Ellis, K., Munro, D., & Clarke, J. (2022). Endometriosis Is Undervalued: A Call to Action. Frontiers in Global Women’s Health. https://doi.org/10.3389/fgwh.2022.902371
  5. Guo, Y., Hou, Y., Wu, J., Lou, N., & Yang, D. (2025). Identification and Subtype Analysis of Lipid Metabolism‐Related Diagnostic Biomarkers for Endometriosis Based on WGCNA and Machine Learning. American Journal of Reproductive Immunology. https://doi.org/10.1111/aji.70201
  6. Gupta, D., Hull, M., Fraser, I., Miller, L., Bossuyt, P., Johnson, N., & Nisenblat, V. (2016). Endometrial biomarkers for the non-invasive diagnosis of endometriosis. Cochrane Database of Systematic Reviews. https://doi.org/10.1002/14651858.CD012165
  7. Halme, J., Hammond, M., Hulka, J., Raj, S. G., & Talbert, L. M. (1984). Retrograde menstruation in healthy women and in patients with endometriosis. PubMed. PMID: 6234483
  8. Husby, G. K., Haugen, R. S., & Moen, M. H. (2003). Diagnostic delay in women with pain and endometriosis. Acta Obstetricia Et Gynecologica Scandinavica. https://doi.org/10.1034/j.1600-0412.2003.00168.x
  9. Lazaros, K., Adam, S., Krokidis, M. G., Exarchos, T., Vlamos, & Vrahatis, A. (2025). Non-Invasive Biomarkers in the Era of Big Data and Machine Learning. Sensors (Basel, Switzerland). https://doi.org/10.3390/s25051396
  10. Lisa, Z., Fanta, M., Kokavec, J., & Janostiak, R. (2026). Global RNA expression analysis of patient samples identified potential diagnostic biomarkers specific for peritoneal, ovarian and deep endometriosis. Scientific Reports. https://doi.org/10.1038/s41598-026-35467-9
  11. Masuda, H., Schwab, K., Filby, C., Tan, C., Tsaltas, J., Weston, G., & Gargett, C. (2021). Endometrial stem/progenitor cells in menstrual blood and peritoneal fluid of women with and without endometriosis. Reproductive BioMedicine Online. https://doi.org/10.1016/j.rbmo.2021.03.006
  12. Mata-Martínez, P., Celada, L., Cueto, F. J., Sáenz de Santa María, G., Fernández, J., Terrón-Arcos, V., Valdés, N., Moreira, V. G., Del Toro, M. I. E., López-Collazo, E., Chiara, M., & Del Fresno, C. (2025). A blood-based liquid biopsy analyzing soluble immune checkpoints and cytokines identifies distinct neuroendocrine tumors. Journal of experimental & clinical cancer research : CR, 44(1), 82. https://doi.org/10.1186/s13046-025-03337-3
  13. Miller, J., Lingegowda, H., Sisnett, D., Metz, C., Gregersen, P., Koti, M., & Tayade, C. (2022). T helper 17 axis and endometrial macrophage disruption in menstrual effluent provides potential insights into the pathogenesis of endometriosis. F&S Science. https://doi.org/10.1016/j.xfss.2022.03.003
  14. Moustafa, S., Burn, M., Mamillapalli, R., Nematian, S., Flores, V., & Taylor, H. (2020). Accurate Diagnosis of Endometriosis Using Serum MicroRNAs. Obstetrical & Gynecological Survey. https://doi.org/10.1097/OGX.0000000000000816
  15. Pandey, S. (2024). Metabolomics for the identification of biomarkers in endometriosis. Archives of gynecology and obstetrics, 310(6), 2823-2827. https://doi.org/10.1007/s00404-024-07796-5
  16. Peragallo-Papic, V., Cerda-Castro, P., Figueroa-Valdés, A., Tobar, H., Valdebenito, P., Donoso, M., Bustos, B., Yakcich, J., Peñailillo, R., Nardocci, G., Acuña-Gallardo, S., Illanes, S., Alcayaga-Miranda, F., & Monteiro, L. (2026). Menstrual fluid-derived small extracellular vesicles: a novel reservoir with distinct molecular signatures and implications for endometriosis etiopathology. Human Reproduction Open. https://doi.org/10.1093/hropen/hoag020
  17. Richards, O., Cotterell, M., Thornton, C., & Rees, A. (2026). Revealing the immune landscape of menstrual blood: unlocking insights into activation, exhaustion, and mitochondrial mass for reproductive health. ImmunoHorizons. https://doi.org/10.1093/immhor/vlag013
  18. Simoens, S., Hummelshoj, L., & D’Hooghe, T. (2007). Endometriosis: cost estimates and methodological perspective. Human reproduction update, 13(4), 395-404. https://doi.org/10.1093/humupd/dmm010
  19. Soketang, S., Tran, C., Ou, P., Ouk, C., Pirtea, P., & Ziegler, D. d. (2024). Clinical management of endometriosis. Journal of obstetrics and gynaecology Canada : JOGC = Journal d’obstetrique et gynecologie du Canada : JOGC. https://doi.org/10.1016/j.jogc.2024.102409
  20. Voros, C., Chatzinikolaou, F., Mavrogianni, D., Loutradis, D., & Daskalakis, G. (2025). Non-Invasive Extracellular Vesicle Biomarkers in Endometriosis, Molecular Signatures Linking Pelvic Inflammation, Oocyte Quality, and IVF Outcomes. Current Issues in Molecular Biology. https://doi.org/10.3390/cimb47030202
  21. Watrowski, R., Kostov, S., Tsoneva, E., Schaefer, S., Sparic, R., Palumbo, M., Guenther, V., Aksam, S., Yordanov, A., Chieppa, P., Juhasz-Boess, I., Vitale, S., & Alkatout, I. (2026). Menstrual Effluent in the Pathogenesis and Diagnosis of Endometriosis-A Systematic Review. Diagnostics (Basel). PMID: 41827953
  22. Zhang, Z., Li, Z., Wei, K., Cao, Z., Zhu, Z., & Chen, R. (2024). Sweat as a source of non-invasive biomarkers for clinical diagnosis: An overview. Talanta. https://doi.org/10.1016/j.talanta.2024.125865