„Artificial intelligence“ in der Endoskopie

Das Trainieren der künstlichen Intelligenz (AI) mit Bildern hat zu einer mittlerweile recht hohen Detektionsrate von Abnormalitäten durch den Einsatz von AI in der Endoskopie geführt. Sie ist zwar nicht perfekt, es scheinen jedoch sowohl Anfänger als auch Erfahrene vom AI-Einsatz zu profitieren. Vorsicht ist allerdings auch geboten, denn der AI-Einsatz kann auch zu einem Deskilling-Effekt führen.

Um sich der Frage nach Gewinn und Verlust in der gastroenterologischen Endoskopie durch künstliche Intelligenz (AI) anzunähern, scheint es sinnvoll, zuerst den Begriff zu klären: Für mich beginnt AI dort, wo die Maschine ihre eigenen Kriterien entwickelt, um Aufgaben zu lösen. Wir nutzen diese Vorgehensweise, können jedoch als einfache Anwender ihre Ergebnisse nicht mehr nachvollziehen.

Trainieren und Anwendung der AI

Erkennen von Polypen und Adenomen

Begonnen hat es damit, dass man einer Hard- und Software eine Unzahl von Bildern normaler Därme und Polypen zeigte, wonach das System sich Kriterien für Polypen schuf und anhand von aufgezeigten Fehlern verbesserte. Ein nächster Schritt analysierte die Oberflächenstruktur von Polypen und unterscheidet so Adenome von hyperplastischen Polypen. Das Problem der serratierten Läsionen (wie hyperplastisch, trotzdem mit malignem Potenzial) bleibt noch ungeklärt.

© 2026 Medtronic

Abb. 1: Polypenerkennung und -charakterisierung mittels GI Genius®; hier wurde ein Adenom (A) mit der Größe von 6,2mm identifiziert („used with the permission of Medtronic“)

© Pimingstorfer/KUK Linz

Abb. 2: GI Genius 2® erkennt hier eine nicht-adenomatöse Struktur (N) mit einer Größe von 2,8mm (Bild zur Verfügung gestellt von OA Dr. Philipp Pimingstorfer/KUK Linz)

Die Polypenerkennung und -charakterisierung ist in zahlreichen auch hochwertigen Studien untersucht. Die Detektionsrate von Polypen und Adenomen verbesserte sich damit signifikant (Metaanalyse: Adenom-Entdeckungsrate [ADR] absolut 7,5% mehr),¹ allerdings ist noch immer umstritten, ob damit vorwiegend kleine und wenig relevante Polypen vermehrt gefunden werden oder auch signifikante Läsionen über 1cm Größe. Weiters ist unklar, ob davon überwiegend Anfänger profitieren oder auch Experten.

Interessant in diesem Zusammenhang ist eine Studie aus St. Pölten, die zeigt, dass sowohl kleine wie große Polypen und auch serratierte Adenome mit AI besser erkannt werden und auch Experten sowie Fortgeschrittene, nicht nur Anfänger, profitieren.² Auch eine große randomisierte multizentrische Studie in acht europäischen Zentren – übrigens eine Cloud-basierte Lösung, sodass sich der lokale Aufwand an Hard- und Software sehr einschränkt –zeigte bessere Detektionsraten auch für fortgeschrittene Adenome und serratierte Läsionen. Der Schlüssel dafür war wohl die Anreicherung der Trainingskohorte mit entsprechenden Risikopolypen.³ Auch der Schweregrad einer Colitis ulcerosa kann heute von AI nach Mayo-Kriterien graduiert werden. In einem weiteren Schritt wurden Oberflächen- und Gefäßmuster von Gewächsen analysiert, um analog zu den JNET-Kriterien die Invasionstiefe von Karzinomen vorherzusagen.

Mehrere solche Systeme sind kommerziell erhältlich (z.B. GI Genius®️ von Medtronic [Abb. 1, Abb. 2], CAD EYE® von Fujifilm, Olysense® von Olympus).

Anwendung im oberen GI-Trakt

Es war naheliegend, ähnliche Algorithmen auch für den oberen Gastrointestinaltrakt zu entwickeln. Auch hier gibt es kommerziell erhältliche Systeme (Olysense®️), die Dysplasien im Barrett erkennen oder Magenfrühkarzinome entdecken.⁴ Prototypen vermessen die Barrettfläche, erkennen die Helicobacter-Infektion und graduieren chronische Gastritis. Anwendungen für die Endosonografie differenzieren submuköse Wandtumoren (GIST versus Leiomyom), die AI für die Dünndarm-Kapselendoskopie erkennt Blutungen und Tumoren/Polypen.

Erkennen der Anatomie

Eine andere Entwicklungsrichtung beschäftigt sich mit der Erkennung der Anatomie. Für die Koloskopie funktioniert die Zökumerkennung gut. Andere Systeme unterstützen die EUS, erkennen Organe (Pankreas-Caput, -Corpus, -Cauda, Lienalisgefäße, Truncus coeliacus etc.) und leiten den Untersucher systematisch von Schnitt zu Schnitt, um eine komplette Untersuchung zu garantieren. Vergleichsweise einfach ist die Bestimmung von Passage-, Untersuchungs- oder Rückzugszeiten bei Gastroskopie, Koloskopie oder Dünndarmkapsel.

Monitoring durch AI

Spannend ist das Monitoring eingesehener Oberflächen. Ein in China entwickeltes System, „Endoangel“, beurteilt die Visualisierungsqualität der Colorektum-Fläche circa alle 5cm in allen vier Quadranten und gibt das als Grafik in Farbschattierungen von grün bis schwarz aus (Abb. 3). Ähnliches gibt es auch für die Komplettheit der Magenbeurteilung. Das ist erzieherisch wertvoll und macht unsere Performance transparent. Vergleichsweise simpel sind dagegen die automatisierte Messung der Bildqualität (scharf versus verschwommen) und die automatisierte Beschreibung der Vorbereitungsqualität nach der Boston Bowel Preparation Scale (BBPS) in Bezug zur Anatomie.

Abb. 3: Qualitätsbericht Koloskopie (vereinfachte Darstellung)

AI erkennt Gefäße durch sich ändernde Farbschattierungen. So kann man während einer submukösen Präparation den Untersucher warnen, dass man demnächst auf ein Gefäß treffen wird (Universitätsklinik Augsburg, Technische Universität Regensburg: „smart endoscopic submucosal dissection“ [Smart ESD]; Abb. 4).

© Prof. Messmann/OTH Regensburg/Universitätsklinikum Augsburg

Abb. 4: Demonstrationsbild der Smart-ESD. Endoskopisches Bild einer ESD mit sichtbarem Blutgefäß (rote Umrandung), Submukosa und Muscularis propria auf 6 Uhr. Links im Bild: Rohauswertung des KI-Algorithmus (Submukosa: gelb, Blutgefäß: rot, Muscularis propria: orange); links unten wird eine Messung für die Stabilität des endoskopischen Bildes mitangezeigt (Bild zur Verfügung gestellt von Prof. Helmut Messmann/UK Augsburg)

AI: Gewinn oder Skill-Verlust

Der Einsatz von AI führt zu einer Reihe soziopsychologischer Phänomene:

• „Learning effect“ (Lerneffekt): Künstliche Intelligenz beschleunigt den Kompetenzerwerb, birgt jedoch gleichzeitig das Risiko eines kognitiven Abbaus, wenn Lernende zu abhängig von der AI werden und ihr eigenes Denken vernachlässigen.

• „Deskilling“ (Kompetenzverlust): das Phänomen, dass Anwender durch eine übermäßige Abhängigkeit von künstlicher Intelligenz wertvolles Fachwissen, kritisches Denken und eigenständige Problemlösungsfähigkeit verlieren

• „Automation bias“: sich zu stark auf AI-generierte Ergebnisse zu verlassen und Empfehlungen von Maschinen stärker zu vertrauen als dem eigenen Urteilsvermögen

• „Alarm fatigue“: Durch eine überwältigende Anzahl falscher oder nicht relevanter Warnmeldungen entsteht Alarmmüdigkeit.

• „Algorithm aversion“ („automation neglect“): Tendenz, AI-Entscheidungen zu misstrauen oder sie abzulehnen – selbst dann, wenn diese Algorithmen menschliche Entscheidungen nachweislich übertreffen; dies verstärkt sich oft deutlich, sobald Nutzer auch nur einen einzigen Fehler der AI beobachten; man erwartet unrealistisch hohe Fehlerfreiheit von Maschinen, während menschliche Fehler eher akzeptiert werden.

Reviews sprechen von klaren Hinweisen, dass es durch AI zu einem Deskilling-Effekt in der gastrointestinalen Endoskopie kommt.⁵ Eine erste randomisierte, multizentrische Studie aus Polen untersuchte die ADR bei Koloskopie nach Entzug der AI, nachdem Endoskopiker sich an sie gewöhnt hatten: Die ADR sank signifikant um absolut 6%.⁶

Wir kennen dasselbe Phänomen aus anderen medizinischen Fachgebieten:

• In der Brustbildgebung zeigte sich, dass fehlerhafte AI-Hinweise die Rate falsch positiver Rückrufe um 12% erhöhten.

• In der Pathologie änderten über 30% der Befunder ursprünglich korrekte Diagnosen, nachdem sie fehlerhaften KI-Empfehlungen ausgesetzt worden waren.

• Zudem besteht die Gefahr einer Erosion von Ausbildungszentren und Lernprozessen durch automatisierte Diagnostik (z.B. in der Zytologie), da Lernerfahrungen und praktische Lernmöglichkeiten verloren gehen.

Was empfehlen die Fachgesellschaften?

Die Empfehlungen unserer europäischen Fachgesellschaft ESGE waren noch sehr vage: „Die ESGE empfiehlt die mögliche Integration computergestützter Diagnostiksysteme (Detektion und Charakterisierung von Läsionen) in die Koloskopie, sofern eine akzeptable und reproduzierbare Genauigkeit für kolorektale Neoplasien in hochwertigen multizentrischen In-vivo-Studien nachgewiesen wird. Mögliche wesentliche Risiken bei der Implementierung – insbesondere ein Kompetenzverlust („deskilling“) von Endoskopikern, eine übermäßige Abhängigkeit von künstlicher Intelligenz, nicht repräsentative Trainingsdatensätze sowie Cyberangriffe bzw. Hacking – müssen dabei berücksichtigt werden (schwache Empfehlung, niedrige Evidenzqualität).“⁷

Neuerliche Stellungnahmen von 2022 und 2025 zeigen Lösungen auf: Zuletzt wird besonders eine Implementierung von Weiterbildungsprogrammen zur Förderung der AI-Kompetenz eingemahnt.^{8, 9}

Mein Fazit

Ich glaube, dass die Vorteile der AI ihre Nachteile bei Weitem überwiegen. Wir solltendem Deskilling entgegenwirken, indem wir:

• ordentliche Ausbildung ohne und mit AI anbieten,

• immer wieder AI-freie Trainingsphasen strukturiert einplanen,

• AI-Entscheidungen (richtig und falsch) in die Facharztprüfung aufnehmen,

• Qualitätskontrolle für AI und Endoskopiker in Ringversuchen einfordern.

Das Handwerk bleibt wichtig, weil auch AI nur beurteilen kann, was visualisiert wurde.

Meiner Ansicht nach können wir von AI noch viel erwarten: Nach der Detektion und Charakterisierung von Läsionen und Performance-Messung im Training, die uns schon zur Verfügung steht, werden automatisierte Befundung und Arztbriefschreibung durch AI-Bild- und -Videoanalysen kommen und AI die Risikostratifizierung für Früherkennungsmaßnahmen, die Codierung, die Qualitätskontrolle und Studiendurchführung übernehmen.

Zuversicht und Vertrauen zur künstlichen Intelligenz sollen aber nie den kritischen Blick zerstören.