Kann ein Computer Ärzte bei der Diagnose von Prostatakrebs übertreffen?
Prostatakrebs betrifft Millionen von Männern weltweit. Eine genaue Diagnose ist entscheidend – insbesondere, wenn die Krankheit noch behandelbar ist. Doch was, wenn menschliche Fehler, Meinungsverschiedenheiten unter Experten oder winzige Krebsherde zu Fehldiagnosen führen? Seit Jahrzehnten verlassen sich Ärzte auf den Gleason-Score (ein Bewertungssystem für die Aggressivität von Prostatakrebs), um die Behandlung zu leiten. Doch dieses System hat Schwächen. Könnte künstliche Intelligenz (KI) helfen, Diagnosen schneller, konsistenter und weniger fehleranfällig zu machen?
Das Problem: Warum die Einstufung von Prostatakrebs schwierig ist
Prostatakrebs ist die zweithäufigste Krebsart bei Männern. Allein im Jahr 2012 wurden weltweit über 1,1 Millionen neue Fälle gemeldet. Der Gleason-Score, der in den 1960er Jahren entwickelt wurde, bleibt ein Schlüsselinstrument zur Vorhersage des Krankheitsverlaufs. Pathologen untersuchen Gewebeproben unter dem Mikroskop und suchen nach Krebsmustern, die von 1 (am wenigsten aggressiv) bis 5 (am aggressivsten) eingestuft werden. Der endgültige Score kombiniert die beiden häufigsten Muster. Zum Beispiel wird ein Tumor mit überwiegend Muster 3 und etwas Muster 4 als Gleason 7 (3+4) eingestuft.
Doch hier liegt das Problem: Die Einstufung ist subjektiv. Zwei Experten könnten sich uneinig sein, ob ein winziger Bereich Muster 3 oder 4 ist. Kleine Unterschiede sind entscheidend – ein Gleason 7 (3+4) hat eine bessere Prognose als ein 7 (4+3). Fehler können zu Übertherapie oder verzögerter Behandlung führen. Selbst erfahrene Pathologen haben Schwierigkeiten mit der Konsistenz, insbesondere bei kleinen oder gemischten Tumoren.
Die Lösung: KI so trainieren, dass sie wie ein Pathologe „sieht“
Um dieses Problem zu lösen, entwickelten Forscher in China ein KI-System, das auf Deep Learning basiert – einer Art maschinellem Lernen, das vom menschlichen Gehirn inspiriert ist. Ihr Ziel? Ein Werkzeug zu schaffen, das Prostatagewebeproben so genau wie die besten Pathologen analysiert, aber mit weniger Variabilität.
Wie es funktioniert
- Lernen anhand von Beispielen: Die KI studierte über 150.000 winzige Bildausschnitte von Prostatabiopsien. Diese umfassten Krebsmuster (Gleason 3, 4, 5), präkanzeröse Veränderungen, Entzündungen und normales Gewebe.
- Nachahmung des menschlichen Sehens: Das System verwendete ein neuronales Netzwerk (ein Computermodell, das visuelle Daten in Schichten verarbeitet), um Muster zu erkennen. Es wurde darauf trainiert, Merkmale wie Zellform, Drüsenstruktur und Gewebeorganisation zu erkennen.
- Abgleich mit Experten: Zwei Pathologen – einer mit 11 Jahren Erfahrung, der andere mit 30 – beschrifteten die Bilder. Sie verwendeten auch spezielle Färbungen (chemische Farbstoffe), um schwierige Fälle zu bestätigen und sicherzustellen, dass die KI von zuverlässigen Daten lernte.
Test der KI: Kann sie menschliche Experten übertreffen?
Die KI stellte sich zwei Herausforderungen:
- Aufgabe 1: Krebs (Gleason 3-5) von Nicht-Krebs (Entzündung, normales Gewebe) unterscheiden.
- Aufgabe 2: Den korrekten Gleason-Score zuweisen.
Ergebnisse
- Beim Erkennen von Krebs erreichte die KI eine 100%ige Sensitivität (keine übersehenen Krebsfälle) und eine 87%ige Spezifität (wenige Fehlalarme). Menschliche Pathologen erzielten eine etwas niedrigere Spezifität.
- Bei der Einstufung stimmte die KI in 100 von 137 Fällen mit dem erfahrenen Experten überein. Bei Unstimmigkeiten war der Unterschied meist gering – zum Beispiel wurde ein Tumor als 7 (3+4) statt 7 (4+3) eingestuft.
- Die KI war besonders gut darin, kleine Krebsherde oder subtile Musterveränderungen zu finden. Zum Beispiel identifizierte sie korrekt 20 Hochrisikotumore (Gleason ≥8), während junge Pathologen 7 davon übersahen.
Warum ist das wichtig?
- Konsistenz: Im Gegensatz zu Menschen wird die KI nicht müde oder variiert von Tag zu Tag. Sie wendet die gleichen Regeln auf jede Probe an.
- Geschwindigkeit: Die Analyse einer Biopsie dauert Minuten statt Stunden.
- Zweite Meinungen: Das System markiert Bereiche, die eine genauere Überprüfung erfordern, und hilft Pathologen, sich auf schwierige Fälle zu konzentrieren.
Ein beteiligter Pathologe sagte: „Die KI hat winzige Krebsherde entdeckt, die ich fast übersehen hätte. Es ist, als hätte man einen hochleistungsfähigen Assistenten.“
Grenzen: Was die KI noch nicht kann
Kein System ist perfekt. Die KI hatte manchmal:
- Schwierigkeiten, Entzündungen von Krebs zu unterscheiden (falsch positive Ergebnisse).
- Probleme mit seltenen oder komplexen Fällen.
- Hohe Anforderungen an die Gewebequalität. Risse, Falten oder Färbefehler reduzierten ihre Genauigkeit.
Forscher betonen, dass die KI Ärzte nicht ersetzt – sie ist ein Werkzeug. „Man braucht immer noch menschliches Urteilsvermögen“, sagt ein Teammitglied. „Aber dies könnte Fehler reduzieren und Zeit sparen.“
Die Zukunft der KI in der Krebsdiagnose
Diese Studie ist Teil einer globalen Welle von KI-Tools für die Medizin. Ähnliche Systeme werden für Brust-, Lungen- und Hautkrebs getestet. Für Prostatakrebs sind die nächsten Schritte:
- Die KI anhand vielfältigerer Proben trainieren.
- Sie mit genetischen oder bildgebenden Daten kombinieren, um bessere Vorhersagen zu treffen.
- Tests in realen Kliniken, um zu sehen, wie sie die Patientenversorgung beeinflusst.
Fazit
Die Diagnose von Prostatakrebs erhält ein technisches Upgrade. Während menschliche Expertise weiterhin unverzichtbar ist, bietet die KI eine Möglichkeit, die Einstufung zu standardisieren, Fehler zu reduzieren und Ergebnisse zu beschleunigen. Für Patienten könnte dies weniger unnötige Behandlungen, eine frühere Erkennung aggressiver Krebsarten und mehr Sicherheit bedeuten. Wie ein Forscher es ausdrückt: „Wir streben nicht nach Perfektion – nur nach einer Verbesserung gegenüber dem heutigen Stand.“
Zu Bildungszwecken.
doi.org/10.1097/CM9.0000000000001220