Wie KI Hautkrebs erkennt – und warum das wichtig ist

Eine Krankheit, bei der Minuten zählen

Hautkrebs ist die weltweit häufigste Krebsart, und das Melanom – seine tödlichste Form – fordert jedes Jahr über 60.000 Todesopfer. Die Überlebensrate hängt entscheidend von der Früherkennung ab: Wird das Melanom frühzeitig erkannt, liegt die Fünf-Jahres-Überlebensrate bei über 99 Prozent. Wird es spät erkannt, sinkt dieser Wert auf unter 35 Prozent. Nun entwickelt sich künstliche Intelligenz zu einem leistungsstarken Werkzeug, um verdächtige Läsionen schneller und genauer als je zuvor zu erkennen.

Wie KI-Bildanalyse funktioniert

Die meisten KI-Hautkrebs-Erkennungssysteme basieren auf Deep Learning, einem Zweig des maschinellen Lernens, der auf faltungsbasierten neuronalen Netzen (Convolutional Neural Networks, CNNs) aufbaut. Diese Netzwerke werden anhand umfangreicher Datenbanken mit dermoskopischen Bildern trainiert – das sind Fotos von Hautläsionen, die mit speziellen Vergrößerungsgeräten aufgenommen und von Dermatologen beschriftet und durch Biopsie bestätigt wurden.

Während des Trainings lernt der Algorithmus, subtile visuelle Muster zu erkennen: unregelmäßige Ränder, asymmetrische Formen, Farbvariationen und Texturmerkmale, die bösartige Läsionen von gutartigen unterscheiden. Nach dem Training kann das System ein neues Bild in Sekundenschnelle analysieren und eine Malignitätsrisikobewertung ausgeben.

Eine systematische Übersichtsarbeit und Meta-Analyse, die in npj Digital Medicine veröffentlicht wurde, ergab, dass KI-Algorithmen eine Sensitivität von 87 Prozent und eine Spezifität von 77 Prozent für die Hautkrebsklassifizierung erreichten, verglichen mit einer Sensitivität von etwa 80 Prozent und einer Spezifität von 74 Prozent bei Klinikern. In 30 von 38 untersuchten Studien war die Genauigkeit der KI der von Dermatologen nicht unterlegen oder sogar überlegen.

Jenseits von Bildern: Spektroskopie und Gesundheitsdaten

Nicht jede KI-Erkennung basiert auf Fotos. DermaSensor, das erste KI-gestützte Hautkrebs-Diagnosegerät, das von der FDA zugelassen wurde, verwendet elastische Streuspektroskopie. Eine Handsonde sendet kurze Lichtimpulse auf eine Läsion und misst dann, wie dieses Licht von zellulären und subzellulären Strukturen gestreut wird. Seine Algorithmen, die über ein Jahrzehnt klinischer Forschung verfeinert wurden, erreichten in einer wegweisenden Studie unter der Leitung der Mayo Clinic eine Sensitivität von 96 Prozent über alle Hautkrebsarten hinweg.

Unterdessen haben Forscher der Universität Göteborg und der Technischen Hochschule Chalmers einen völlig anderen Ansatz gewählt. Ihre Studie mit über sechs Millionen schwedischen Erwachsenen nutzte maschinelles Lernen, um das Melanomrisiko anhand von routinemäßigen Gesundheitsdaten vorherzusagen – Diagnosen, Medikamente, Alter, Geschlecht und sozioökonomische Daten. Das beste Modell identifizierte Hochrisikogruppen, bei denen die Wahrscheinlichkeit, innerhalb von fünf Jahren ein Melanom zu entwickeln, etwa 33 Prozent erreichte, weit über der Populationsgrundlinie von 0,64 Prozent.

Mensch und Maschine gemeinsam

Die stärksten Belege deuten darauf hin, dass KI am besten als kollaboratives Werkzeug und nicht als Ersatz für Ärzte funktioniert. Eine von Stanford Medicine geleitete Studie ergab, dass Kliniker, die KI-Unterstützung nutzten, ihre Sensitivität um etwa 6 Prozentpunkte und ihre Spezifität um fast 5 Punkte verbesserten, verglichen mit der Arbeit allein. Die Vorteile waren am deutlichsten für Nicht-Spezialisten: Hausärzte, Krankenpfleger und Medizinstudenten verbesserten ihre diagnostische Genauigkeit um etwa 13 Punkte in der Sensitivität, wenn sie von KI geleitet wurden.

Dies ist wichtig, da die meisten Hautprobleme zuerst von Allgemeinmedizinern und nicht von Dermatologen gesehen werden. KI-Tools können diesen Ärzten an vorderster Front helfen zu entscheiden, welche Läsionen eine dringende Überweisung rechtfertigen und welche sicher überwacht werden können – wodurch sowohl übersehene Krebserkrankungen als auch unnötige Biopsien reduziert werden.

Herausforderungen und Ausblick

Es bleiben erhebliche Hürden. Die meisten KI-Systeme wurden überwiegend mit helleren Hauttönen trainiert, was Bedenken hinsichtlich diagnostischer Verzerrungen gegenüber Patienten mit dunklerer Haut aufwirft. Forscher arbeiten aktiv daran, Trainingsdatensätze zu diversifizieren, aber die Fortschritte sind langsam. Auch die regulatorischen Rahmenbedingungen holen auf – während die FDA mehrere Geräte zugelassen hat, bleiben Fragen zu Haftung, Datenschutz und zur Integration von KI in klinische Arbeitsabläufe bestehen, ohne Ärzte zu überlasten.

Dennoch ist die Richtung klar. Mit der Verbesserung der Algorithmen und der Erweiterung der Trainingsdaten wird die KI-gestützte Hautkrebsfrüherkennung voraussichtlich zu einem Standardbestandteil der dermatologischen Versorgung werden – und eine Smartphone-Kamera oder eine Handsonde in ein potenziell lebensrettendes Screening-Tool verwandeln.