Ein auffälliger Befund, eine Gewebeprobe, ein digitaler Schnitt: Für Betroffene kann die genaue Einordnung eines Tumors darüber entscheiden, welche Behandlung folgt und wie schnell Klarheit entsteht. Künstliche Intelligenz kann dabei helfen, relevante Zellstrukturen in komplexen Gewebebildern robuster zu erkennen. Nicht als automatische Diagnose, sondern als zusätzliche Unterstützung für medizinische Entscheidungen – und damit als verlässlichere Grundlage für den weiteren Behandlungsweg.
Ein auffälliger Befund. Eine Gewebeprobe. Ein digitaler Schnitt auf dem Bildschirm. Für Patientinnen und Patienten beginnt mit der Entdeckung eines Tumors oft eine Zeit voller Unsicherheit. Für die behandelnden Ärztinnen und Ärzte beginnt die Suche nach Antworten: Was genau ist das? Ist die Veränderung gutartig oder bösartig? Wie aggressiv wächst sie? Muss operiert werden? Welche Behandlung verspricht den größten Erfolg?
„Die entscheidende Frage ist nicht nur, ob wir einen Tumor sehen“, sagt PD Dr. med. Miguel Gonçalves vom Universitätsklinikum Würzburg. „Die entscheidende Frage ist, was dieser Befund für die Patientin oder den Patienten bedeutet. Davon hängen weitere Untersuchungen, Therapien und oft der gesamte Behandlungsweg ab.“
Was der Befund bedeutet
Die Antwort entsteht selten aus einem einzelnen Blick. In der Medizin werden klinische Informationen, bildgebende Verfahren und Gewebeanalysen zusammengeführt. Besonders wichtig ist die Pathologie. Sie untersucht Gewebeproben und liefert zentrale Hinweise darauf, wie ein Tumor einzuschätzen ist. Eine Rolle spielt dabei unter anderem, wie viele Zellen sich gerade teilen. Diese Zellteilungen, sogenannte Mitosen, können Hinweise darauf geben, wie aktiv ein Tumor wächst.
Für Außenstehende wirkt das zunächst überraschend. Heute liegen hochauflösende digitale Bilder vor, die sich stark vergrößern lassen. Müsste damit nicht alles eindeutig erkennbar sein?
So einfach ist es nicht.
Wenn Bilder nicht eindeutig sind
Gewebe ist nicht überall gleich. Tumoren unterscheiden sich stark. Präparate variieren. Bilder entstehen in unterschiedlichen Laboren, mit unterschiedlichen Scannern, Färbungen und technischen Bedingungen. Und ausgerechnet die Merkmale, die für eine Einschätzung wichtig sind, können selten, klein oder schwer eindeutig zu erkennen sein. „Zwei Tumoren können auf den ersten Blick ähnlich aussehen, gleich groß sein und trotzdem ein völlig unterschiedliches biologisches Verhalten und somit eine unterschiedliche Behandlung erfordern“, sagt Gonçalves. „Deshalb ist die möglichst genaue Einordnung so wichtig.“
Hinzu kommt: Moderne Pathologie arbeitet zunehmend mit riesigen digitalen Gewebeschnitten. Solche Bilder enthalten Millionen von Bildinformationen. Pathologinnen und Pathologen müssen darin jene Bereiche finden, die für eine Diagnose relevant sind. Das erfordert Erfahrung, Konzentration und einen geschulten Blick. Und genau hier wird Künstliche Intelligenz interessant.
Dieser Text gehört zum Themenschwerpunkt "KI in der Diagnostik"
Wo KI unterstützen kann
Während Menschen Bilder interpretieren und in einen medizinischen Zusammenhang einordnen, können Computer große Datenmengen systematisch durchsuchen. Sie können auffällige Strukturen hervorheben, Muster vergleichen und helfen, große digitale Gewebeschnitte schneller zu erschließen. Nicht als Diagnosemaschine. Sondern als Werkzeug, das den Blick auf relevante Stellen lenkt.
Im Kern geht es nicht darum, dass ein Computer „Krebs erkennt“. Es geht um eine präzisere Aufgabe: Kann KI bestimmte mikroskopische Merkmale in histologischen Bildern zuverlässig identifizieren – auch dann, wenn die Daten aus unterschiedlichen Quellen stammen?
Warum Robustheit entscheidend ist
Für die digitale Pathologie ist das eine zentrale Frage. Ein KI-System kann in einem Datensatz sehr gute Ergebnisse erzielen und trotzdem schlechter werden, sobald sich die Bedingungen ändern. Ein anderes Labor, ein anderer Scanner, eine andere Färbung oder eine andere Tumorart können ausreichen, um ein Modell aus dem Tritt zu bringen. Für die medizinische Anwendung reicht es deshalb nicht, wenn ein Verfahren unter Idealbedingungen funktioniert. Es muss robust sein. Es muss mit Vielfalt umgehen können. Es muss auch dann belastbare Hinweise liefern, wenn Bilder anders aussehen als die Daten, mit denen ein Modell zuvor trainiert wurde.
„In der Pathologie geht es oft um sehr feine Unterschiede in sehr komplexen Bildern“, erläutert Prof. Dr. Marc Aubreville von der Hochschule Flensburg. „KI kann dabei helfen, solche Bilder systematisch zu durchsuchen und auffällige Strukturen sichtbar zu machen. Aber sie ersetzt nicht die fachliche Bewertung.“ Hier setzt das Forschungsprojekt (mu)ROMI an, an dem die Hochschule Flensburg beteiligt ist. Die Forschung verbindet medizinische Fragestellungen mit angewandter Informatik, Bildverarbeitung und Deep Learning. Ziel ist nicht die Automatisierung einer Diagnose, sondern die verlässliche Unterstützung bei einer anspruchsvollen Teilaufgabe: relevante Zellstrukturen in komplexen Gewebebildern besser zu erkennen.
Vom Datensatz zur medizinischen Unterstützung
„Für uns ist entscheidend, dass KI nicht nur auf einem eng begrenzten Datensatz funktioniert“, sagt Aubreville. „Medizinische Realität ist vielfältig. Wenn wir Systeme entwickeln wollen, die später tatsächlich nützlich sein können, müssen sie mit dieser Vielfalt umgehen.“ Der mögliche Nutzen liegt nicht darin, die Pathologie zu automatisieren. KI kann auffällige Bereiche markieren, Zählungen unterstützen und große digitale Gewebeschnitte systematischer auswertbar machen. Das ist vor allem dort relevant, wo sehr große Bilddaten auf sehr feine diagnostische Merkmale treffen. Ein digitaler Gewebeschnitt kann riesig sein. Der entscheidende Hinweis kann dagegen winzig sein.
Für die medizinische Praxis zählt deshalb nicht allein, ob ein KI-System etwas erkennt. Entscheidend ist, ob es relevante Hinweise so aufbereitet, dass Fachleute sie nachvollziehen, überprüfen und in ihre Bewertung einbeziehen können. „Eine gute KI-Unterstützung wäre für uns dann wertvoll, wenn sie schwierige oder auffällige Bereiche verlässlich hervorhebt und dadurch die Befundung unterstützt“, sagt Gonçalves. „Die Entscheidung bleibt medizinisch. Aber zusätzliche, gut aufbereitete Informationen können helfen, diese Entscheidung besser abzusichern.“
Was daraus für Betroffene folgt
Aus der pathologischen Einschätzung folgen oft weitreichende Entscheidungen: Wie engmaschig muss kontrolliert werden? Muss operiert werden? Welche Therapie kommt infrage? Wie aggressiv sollte behandelt werden?
Die Grenze bleibt klar. KI sieht nicht die Patientin oder den Patienten. Sie sieht Daten. Sie kann Strukturen erkennen, Wahrscheinlichkeiten berechnen und Hinweise geben. Was diese Hinweise bedeuten, muss weiterhin medizinisch eingeordnet werden. „Die Stärke solcher Systeme liegt nicht darin, Menschen aus der Diagnostik herauszunehmen“, sagt Aubreville. „Sie liegt darin, Expertise zu unterstützen – gerade dort, wo Bilder groß, komplex und schwer vollständig zu überblicken sind.“
(mu)ROMI zeigt damit, wie KI in der medizinischen Diagnostik sinnvoll gedacht werden kann: nicht als spektakuläres Versprechen, sondern als präzise Unterstützung bei einer anspruchsvollen Aufgabe. Medizinische Entscheidungen werden auf eine breitere Informationsbasis gestellt. Und diese Entscheidung bleibt eine medizinische Aufgabe. Sie braucht Erfahrung, Fachwissen und den Blick auf die gesamte Situation eines Menschen.
Infokasten: Worum geht es bei (mu)ROMI?
Das Forschungsprojekt (mu)ROMI beschäftigt sich mit der robusten und genauen Erkennung von sich teilenden Zellen (Mitose) in digitalen Gewebebildern. Sie können in der Pathologie wichtige Hinweise darauf geben, wie aktiv ein Tumor wächst. Je nachdem, wie viele solcher Zellteilungen in bestimmten Gewebebereichen auftreten, kann dies für die Einschätzung eines Tumors relevant sein.
Die Herausforderung: Digitale Gewebebilder unterscheiden sich stark. Sie stammen aus unterschiedlichen Laboren, werden mit unterschiedlichen Scannern erzeugt, unterschiedlich gefärbt und zeigen unterschiedliche Tumorarten. Ein KI-System, das nur unter sehr engen Bedingungen zuverlässig arbeitet, wäre für die medizinische Praxis nur begrenzt hilfreich.
(mu)ROMI untersucht deshalb, wie KI-Modelle so entwickelt werden können, dass sie auch über verschiedene Tumorarten, Spezies, Labore und Scanner hinweg verlässlich funktionieren.
Dafür erzeugt das Projekt einen sehr großen, sorgfältig annotierten Datensatz. Fachleute markieren relevante Strukturen, damit KI-Modelle lernen können, worauf es ankommt.