KI erkennt Krebs frühzeitig anhand von Bildern

Möchten Sie wissen, wie KI Krebs frühzeitig anhand von Bildern erkennt? Erfahren Sie mehr Details mit INVIAI in diesem Artikel!

Die frühzeitige Erkennung von Krebs verbessert die Überlebenschancen erheblich. Künstliche Intelligenz (KI) hilft Ärzten heute dabei, Tumore auf medizinischen Bildern schneller und genauer zu erkennen.

Durch das Training von Deep-Learning-Modellen mit Tausenden annotierter Scans und Präparate kann KI Muster erlernen, die selbst erfahrenen Klinikern entgehen könnten.

In der Praxis analysieren KI-Tools Bilder wie Mammographien, Thorax-CTs, Röntgenaufnahmen, MRTs, Ultraschall und Pathologiepräparate, markieren verdächtige Bereiche und quantifizieren das Risiko.

Beispielsweise half ein KI-gestützter Ultraschall einer Patientin, eine unnötige Schilddrüsenbiopsie zu vermeiden, indem er zeigte, dass ihr Knoten gutartig war.

Experten bezeichnen KI in der Krebsversorgung als „eine beispiellose Chance“, Diagnose und Behandlung zu verbessern.

Wie KI medizinische Bilder analysiert

KI-Systeme für die Bildgebung nutzen typischerweise Deep Learning (insbesondere konvolutionale neuronale Netze), die auf umfangreichen Datensätzen trainiert werden. Während des Trainings lernt der Algorithmus, Merkmale (wie Formen, Texturen, Farben) zu extrahieren, die krebsartiges von gesundem Gewebe unterscheiden.

Nach dem Training scannt das KI-Modell neue Bilder und hebt Muster hervor, die den gelernten Krebsmerkmalen entsprechen.

Im Effekt wird die KI zu einem hochsensiblen „zweiten Leser“, der subtile Läsionen aufzeigt, die ein Mensch übersehen könnte. So kann eine KI, die eine Mammographie oder CT-Schicht überprüft, winzige Verkalkungen oder Knoten mit farbigen Kästchen und Warnhinweisen für den Radiologen markieren.

KI-Analysen können auch das Risiko abschätzen: Einige Algorithmen prognostizieren das zukünftige Krebsrisiko eines Patienten anhand eines einzelnen Bildes (unter Nutzung gelernter Korrelationen), sodass Ärzte die Screening-Intervalle individuell anpassen können.

In einem Fall identifizierte eine KI-analysierte Schilddrüsenultraschalluntersuchung eindeutig gutartiges Gewebe, was mit den späteren Biopsieergebnissen übereinstimmte und der Patientin zusätzliche Sorgen ersparte.

Brustkrebs-Screening

Die Mammographie ist ein Paradebeispiel, bei dem KI Wirkung zeigt. Studien belegen, dass KI-Unterstützung die Brustkrebs-Erkennung im Screening deutlich verbessern kann.

In einer großen deutschen Studie fanden Radiologen mit KI-Unterstützung 17,6 % mehr Krebsfälle als ohne KI.

Konkret entdeckte die KI-unterstützte Gruppe 6,7 Krebsfälle pro 1.000 Frauen gegenüber 5,7 pro 1.000 in der Kontrollgruppe, während die Rückrufrate (Fehlalarme) sogar leicht sank.

Im Allgemeinen kann KI in der Mammographie:

• Empfindlichkeit und Spezifität verbessern. Vom NCI geförderte Forschungen zeigen, dass KI-Bildalgorithmen „die Brustkrebs-Erkennung in der Mammographie verbessern“ und zudem vorhersagen können, welche Läsionen später invasiv werden.
• Subtile Befunde identifizieren. KI kann winzige Mikroverkalkungscluster oder Asymmetrien markieren, die bei Routine-Screenings leicht übersehen werden, und fungiert so als zusätzlicher Expertenleser.
• Arbeitsbelastung und Variabilität reduzieren. Durch das Vorsortieren von Bildern kann KI verdächtige Fälle priorisieren und Radiologen helfen, mit steigenden Mammographie-Volumina umzugehen.

Bemerkenswert ist, dass die FDA mehrere KI-gestützte Mammographie-Tools (z. B. iCAD, DeepHealth’s SmartMammo) für den klinischen Einsatz zugelassen hat, da sie Krebs in der Praxis frühzeitig erkennen können.

Lungenkrebs-Screening

KI wird auch bei der Lungenkrebs-Erkennung auf medizinischen Bildern eingesetzt. Niedrigdosis-CT (LDCT) wird zur Untersuchung von Risikopatienten, insbesondere Rauchern, verwendet; KI kann dies durch Verbesserung der Bildqualität und Läsionserkennung unterstützen.

Ein Vorteil ist die Dosisreduktion: KI-basierte Bildrekonstruktionsalgorithmen erzeugen klare CT-Bilder mit noch weniger Strahlung als aktuelle LDCT-Scans.

Zusätzlich scannen KI-basierte computerunterstützte Erkennungssysteme (CAD) automatisch jede CT-Schicht nach Knoten. Wird ein potenzieller Knoten gefunden, markiert die KI ihn im Bild zur Begutachtung durch den Arzt.

Kurz gesagt, KI kann als sensibler zweiter Leser bei Lungenbildern fungieren.

Beispielsweise zeigen aktuelle Modelle eine hohe Sensitivität für gutartige und bösartige Lungennoduli (Forschungssysteme erkennen über 90 % der Noduli in Testscans). Die US-amerikanische FDA hat KI-Tools zur Unterstützung des Lungenkrebs-Screenings zugelassen und erkennt deren Rolle bei der frühzeitigen Diagnose an.

KI kann auch helfen, das Screening zu personalisieren: Durch die Kombination von Bildgebung und Patientendaten können Algorithmen bestimmen, wer häufiger gescannt werden sollte.

(Allerdings zeigen aktuelle CAD-Studien, dass KI zwar mehr Noduli insgesamt findet, der Großteil davon kleine, risikoarme Noduli sind, und die Erkennung fortgeschrittener Läsionen bisher nicht signifikant verbessert wurde.)

Hautkrebs (Melanom)

Die dermoskopische Bildgebung (vergrößerte Hautfotos) ist ein weiteres Gebiet, in dem KI glänzt. Moderne Deep-Learning-Modelle, trainiert mit Zehntausenden von Hautläsionsbildern, können Muttermale mit hoher Genauigkeit als gut- oder bösartig klassifizieren.

In einer aktuellen Studie erreichte ein verbessertes neuronales Netzwerk eine Genauigkeit von 95–96 % bei der Erkennung von Melanomen im Frühstadium anhand von Dermoskopiebildern.

Das ist wichtig: Frühstadien von Melanomen haben eine ausgezeichnete Prognose (ca. 98 % 5-Jahres-Überlebensrate), während die Überlebenschancen im Spätstadium deutlich geringer sind.

Indem KI verdächtige Muttermale für eine Biopsie hervorhebt, kann sie Dermatologen helfen, Melanome früher zu diagnostizieren.

KI-Tools werden sogar in Smartphone-Apps oder Geräten integriert, die ein fotografiertes Muttermal bewerten und das Risiko einschätzen – was die Früherkennung auch in der Primärversorgung erweitern könnte.

Zervixkarzinom-Screening

KI verbessert das Zervixkarzinom-Screening durch Analyse digitaler Bilder des Gebärmutterhalses. Beispielsweise nutzt das CerviCARE System Deep Learning auf „Zervikographie“-Fotos (ähnlich Kolposkopie), um präkanzeröse Läsionen zu unterscheiden.

In einer multizentrischen Studie erreichte die CerviCARE-KI eine Sensitivität von 98 % für hochgradige zervikale Läsionen (CIN2+) bei 95,5 % Spezifität.

In der Praxis könnte solche KI dort helfen, wo erfahrene Kolposkopiker knapp sind: Der Algorithmus hebt automatisch auffällige Bereiche hervor und sorgt so dafür, dass kein präkanzeröses Gewebe übersehen wird.

Diese Art von KI ergänzt traditionelle Pap-Abstrich- und HPV-Tests, um Erkrankungen frühzeitig zu erkennen.

Das NCI weist ebenfalls auf Forschungen hin, die KI zur Automatisierung der Präkanzerose-Erkennung im Zervix-Screening untersuchen.

Darm- und Rektumkrebs-Screening

Während der Koloskopie unterstützt KI in Echtzeit. Moderne Systeme analysieren kontinuierlich den Videostream des Koloskops. Wenn die Kamera einen Polypen oder verdächtiges Gewebe erfasst, hervorhebt die KI es auf dem Bildschirm (oft mit farbigen Kästchen und akustischem Signal), um die Aufmerksamkeit des Arztes zu lenken.

KI-unterstützte Koloskopie: Das System hat einen „flachen“ Polypen (blau markiert) erkannt, den der Arzt entfernen kann.

Studien zeigen, dass der Einsatz von KI bei der Koloskopie die Gesamtzahl entdeckter Polypen erhöht, insbesondere kleiner Adenome. Das bedeutet, KI hilft Ärzten, mehr Frühstadien zu erkennen, die sonst übersehen werden könnten.

In einer großen Studie (CADILLAC) stieg die Adenom-Erkennungsrate mit KI-Unterstützung. Experten weisen jedoch darauf hin, dass der Großteil des Anstiegs auf winzige, risikoarme Polypen entfiel und die Erkennung großer, hochriskanter Adenome nicht signifikant verbessert wurde.

Mit anderen Worten: KI ist hervorragend darin, viele kleine Läsionen aufzuzeigen, aber ob sie die Entdeckung der gefährlichsten Präkanzerosen verbessert, wird noch geprüft.

Dennoch kann ein KI-„zweites Auge“ Ermüdungsfehler reduzieren und die Variabilität zwischen Ärzten verringern. Die FDA hat KI-Systeme (CADe) für die klinische Koloskopie zugelassen, um Endoskopiker bei der Polypenerkennung zu unterstützen.

KI in Pathologie und anderen Bildgebungen

Der Einsatz von KI geht über Live-Bildgebung hinaus bis zur Pathologie und spezialisierten Scans. Digitale Pathologiepräparate (hochauflösende Scans von Gewebeproben) werden von KI-Algorithmen ausgewertet.

Beispielsweise wurde eine neue KI namens CHIEF mit über 60.000 Ganzpräparat-Bildern aus 19 Krebsarten trainiert.

Sie erkennt automatisch Krebszellen im Präparat und sagt sogar das molekulare Profil des Tumors anhand visueller Merkmale voraus. In Tests erreichte CHIEF eine Genauigkeit von etwa 94 % bei der Krebsdetektion auf unbekannten Präparaten verschiedener Organe.

Ebenso hat die FDA KI-Software zur Hervorhebung von Krebsregionen in Prostatabiopsien zugelassen, die Pathologen hilft, sich auf kritische Bereiche zu konzentrieren. KI-Tools sind auch für die Interpretation von Hirntumor-MRTs und Schilddrüsenknoten-Ultraschall zugelassen, unter anderem.

Kurz gesagt, KI wird zu einem vielseitigen Assistenten: von MRT/CT-Scans über Röntgenaufnahmen bis zu Mikroskoppräparaten markiert sie Auffälligkeiten, die Aufmerksamkeit erfordern.

Vorteile von KI bei der Früherkennung

In allen Anwendungsbereichen bietet KI mehrere entscheidende Vorteile für die frühzeitige Krebsentdeckung:

• Höhere Sensitivität: KI erkennt sehr subtile Anzeichen. Im Brustkrebs-Screening entdeckte KI etwa 20–40 % der Intervallkarzinome (Tumore, die beim ersten Lesen übersehen wurden) bei retrospektiver Analyse vorheriger Mammographien.
  Das bedeutet, KI kann Krebs früher aufdecken als menschliche Leser allein.
• Genauigkeit und Effizienz: Studien zeigen, dass KI-unterstützte Befundungen zu weniger falsch-negativen und manchmal auch zu weniger falsch-positiven Ergebnissen führen.
  Beispielsweise erhöhte Mammographie mit KI-Unterstützung in einer deutschen Studie den positiven prädiktiven Wert der Biopsie (also die Krebsrate pro Biopsie).
• KI kann Bilder schneller verarbeiten als ein Mensch, was Screening-Programme bei steigenden Fallzahlen ohne Qualitätsverlust entlastet.
• Konstante Qualität: Im Gegensatz zu Menschen wird KI nicht müde oder abgelenkt.
  Sie liefert eine einheitliche Analysequalität, was die Variabilität zwischen Radiologen reduzieren kann.
• Vermeidung unnötiger Eingriffe: Durch genauere Unterscheidung von gut- und bösartigen Läsionen kann KI Patienten unnötige Untersuchungen ersparen.
  Im Schilddrüsenbeispiel schloss KI Krebs sicher aus, ohne Biopsie.
• In der Dermatologie können KI-Apps Patienten beruhigen, wenn Muttermale gutartig sind.
  Insgesamt zielt man auf präzises Screening ab: Nur das zu finden, was wirklich behandelt werden muss, und Übertherapie zu vermeiden.
• Globaler Zugang: In Regionen mit wenigen Experten können KI-Tools Screening auf Spezialisten-Niveau auch in entlegenen Kliniken ermöglichen.
  Zum Beispiel könnte ein KI-Kolposkop Pflegekräfte in ressourcenarmen Gebieten beim Zervixkrebs-Screening unterstützen.

„KI-gestützte Ansätze können die Fähigkeit von Klinikern verbessern, Krebs effizient und präzise zu bewerten“. In vielen Studien übertrifft die Kombination aus KI und ärztlicher Expertise beide einzeln – ähnlich wie die Beratung durch einen erfahrenen Kollegen.

Herausforderungen und Überlegungen

KI bringt auch Herausforderungen mit sich. Modelle, die auf begrenzten oder wenig vielfältigen Daten trainiert wurden, funktionieren möglicherweise nicht für alle Patientengruppen gleich gut. Beispielsweise müssen KI-Hautläsionendetektoren auf unterschiedlichen Hauttypen trainiert werden, um Verzerrungen zu vermeiden.

Dermoskopische KI-Tools zeigen Leistungslücken bei Bildern mit Artefakten (wie Haare oder schlechte Beleuchtung) und bei unterrepräsentierten Läsionstypen.

Im Screening können mehr Entdeckungen auch mehr Fehlalarme bedeuten: KI-Koloskopie markierte viele kleine Polypen, von denen einige nie zu Krebs fortschreiten.

Die Entfernung jeder winzigen Läsion birgt eigene Risiken (geringes Risiko für Blutungen oder Perforationen). Daher müssen Kliniker die Sensitivität der KI mit deren Spezifität abwägen, um Überdiagnosen zu vermeiden.

Die Integration von KI in klinische Abläufe ist komplex. Krankenhäuser benötigen validierte, FDA-zugelassene Software und Schulungen für das Personal. Es gibt regulatorische und haftungsrechtliche Fragen, wer verantwortlich ist, wenn eine KI Krebs übersieht.

Viele Forscher betonen, dass KI ein Werkzeug und kein Ersatz ist; wie ein Radiologe sagte, ist die Nutzung von KI wie „die Meinung eines brillanten Kollegen einzuholen“. Laufende Studien und Nachmarktbeobachtungen sind entscheidend, um sicherzustellen, dass diese Tools tatsächlich die Ergebnisse verbessern.

Zukünftige Entwicklungen

Die Zukunft der KI in der Krebsdiagnostik ist vielversprechend. Forscher entwickeln „Foundation Models“ (große KI-Modelle, trainiert auf enormen Datensätzen), die viele Aufgaben gleichzeitig bewältigen können. Harvards CHIEF ist ein Beispiel: Es wurde wie ein „ChatGPT für Pathologie“ auf Millionen von Bildausschnitten trainiert und funktioniert bei vielen Krebsarten.

Ähnliche Ansätze könnten bald Bildgebung mit genetischen und klinischen Daten kombinieren, um ultra-personalisierte Screenings zu ermöglichen. Multimodale KI könnte nicht nur Krebs nachweisen, sondern auch dessen Aggressivität vorhersagen und so die Nachsorge steuern.

Die Leistung von KI verbessert sich zudem schnell durch neue Techniken. Next-Generation-CAD-Systeme nutzen fortschrittliche neuronale Netzarchitekturen und große Sprachmodelle zur Bildinterpretation. Für Lungenkrebs stellen Experten fest, dass ältere KI-Systeme im Vergleich zu heutigen Modellen „primitiv“ waren, und erwarten deutlich bessere neue Versionen.

Internationale Studien (wie multizentrische Versuche in Europa und den USA) validieren KI-Tools in großem Maßstab. Mit zunehmenden Daten lernt KI aus realen Ergebnissen und verfeinert kontinuierlich ihre Genauigkeit.

Zusammenfassend hilft KI Ärzten bereits heute, Krebs früher anhand medizinischer Bilder zu erkennen – von Mammographien und CT-Scans bis zu Hautfotos und Biopsiepräparaten. Trotz bestehender Herausforderungen deuten Spitzenforschung und Zulassungen auf eine Zukunft hin, in der KI ein Standardpartner im Krebs-Screening ist.

Indem Tumore im frühesten Stadium erkannt werden, wenn die Behandlung am effektivsten ist, könnten diese Technologien die Ergebnisse für viele Patienten weltweit verbessern.