Künstliche Intelligenz in der Dermato-Onkologie

Melanomerkennung in Sekunden, Prognose auf Knopfdruck, keine Läsion mehr übersehen – so das Versprechen. Die Realität ist differenzierter. Was KI heute kann, wo sie scheitert und warum der Dermatologe unverzichtbar bleibt.

Was KI gut kann: Muster erkennen

Die grosse Stärke der künstlichen Intelligenz (KI) liegt in der Mustererkennung bei grossen Bildmengen. Wo Menschen ermüden, bleibt der Algorithmus konstant. Für die Dermato-Onkologie bedeutet das: Screening-Unterstützung, Triage und Verlaufskontrolle.

Bei der Melanom-Früherkennung sind die Fortschritte am deutlichsten. «Total bodyphotography»-Systeme wie VECTRA oder FotoFinder kombinieren automatisierten Bildvergleich mit KI-gestützter Risikoanalyse – bei Hochrisikopatienten ermöglichen sie eine objektive Verlaufskontrolle über die Zeit. Neuere (in der Schweiz noch nicht zugelassene) Systeme wie Deviskan (Abb.1) gehen weiter: Sie erfassen nicht nur Ganzkörperbilder, sondern erstellen automatisch standardisierte Nahaufnahmen relevanter Läsionen. In einer Pilotstudie mit 316 Patienten entstanden über 10000 dermatoskopische Bilder bei mit der manuellen Dermoskopievergleichbarer Akquisitionszeit – und in einer Qualität, die von der manuellen Dermatoskopie kaum zu unterscheiden war.¹

In der Dermatopathologie triagierte ein Utrechter Algorithmus melanozytäre Läsionen aus «whole-slide images» nach Komplexität: einfache Fälle zum Generalisten, komplexe direkt zum Spezialisten. Pro 500 Fälle konnten so Dutzende Expertenkonsultationen eingespart werden und die knappe «Ressource» Dermatopathologe konnte geschont werden.² Ob das prospektiv funktioniert, muss sich zeigen.

Auch beim nichtmelanozytären Hautkrebs (NMSC) – dem mit Abstand häufigsten Hautkrebs, der aber in der KI-Forschung lange vernachlässigt wurde – tut sich einiges. Eine aktuelle Multicenterstudie zu KI-assistierter BCC-Diagnostik mittels «line-field confocal opticalcoherence tomography» (LC-OCT) fand: Die Kombination aus KI und LC-OCT steigerte die diagnostische Genauigkeit auf 93%, die Sensitivität von 84% auf 95%.³ Die Autoren schätzen, dass KI hier etwa zwei Jahre klinische LC-OCT-Erfahrung kompensieren kann.

Denn eine Heidelberger Studie verglich CNN-Algorithmen mit Dermatologen bei der Klassifikation dermatoskopischer Bilder – melanozytär versus nichtmelanozytär, eine dichotome Entscheidung. Ergebnis: Nur erfahrene Dermatologen mit Zugang zum klinischen Kontext erreichten die Performance der Algorithmen.⁴ KI kann viel – aber der Kontext bleibt entscheidend.

Was KI zunehmend kann: Prognosen wagen

Ein spannender Entwicklungsschritt ist der Übergang von der Diagnose zur Prognose. Klassische Staging-Systeme wie das des American Joint Committee on Cancer (AJCC) sind bewährt, aber grob: Ein Patient mit pT2a-Melanom hat statistisch eine bestimmte Prognose, doch sein individueller Verlauf kann völlig anders sein.

Hier gibt es neue Ansätze. «Foundation models» wie MUSK, trainiert auf Millionen pathologischer Bilder und klinischer Texte, erkennen Muster, die dem menschlichen Auge verborgen bleiben. Das Stanforder Modell sagt nicht nur Überleben voraus, sondern auch das Ansprechen auf Immuntherapie – mit 77% korrekter Identifikation von Immuntherapie-Respondern, verglichen mit 61% bei konventioneller PD-L1-Bestimmung.⁵

Auch aus dermatoskopischen Bildern lassen sich zunehmend prognostische Informationen extrahieren. Erste Algorithmen können anhand von Textur, Pigmentverteilung und Gefässmustern die Breslow-Dicke schätzen, Ulzeration vorhersagen und das Metastasierungsrisiko einordnen – potenziell noch vor der Biopsie.⁶

Diese Anwendungen sind noch nicht praxisreif. Aber sie deuten an, wohin die Reise geht: von «Was ist das?» zu «Was wird daraus?».

Was KI (noch) nicht kann: Daten, Kontext und Erklärbarkeit

Die Grenzen zeigen sich dort, wo Trainingsdaten fehlen oder Kontext entscheidend ist.

Seltene Tumoren sind ein offensichtliches Problem. Merkelzellkarzinom, Dermatofibrosarcoma protuberans, kutane Lymphome – die Fallzahlen sind klein, die Trainingsdatensätze entsprechend dünn. Ein Algorithmus, der auf Hunderttausenden Melanombildern trainiert wurde, versagt bei einer Entität, die er kaum je gesehen hat. Machine Learning braucht Masse; und genau die fehlt bei seltenen Erkrankungen.

Das Kontextproblem geht tiefer. Eine Läsion sieht am Bildschirm anders aus als im Kontext des ganzen Patienten: die Anamnese, die anderen Nävi, das Gespräch über Veränderungen. KI sieht Pixel; der Dermatologe sieht den Patienten.

Und schliesslich das Black-Box-Problem: Tiefe neuronale Netze liefern Ergebnisse, aber keine Erklärungen.⁷ Warum klassifiziert der Algorithmus diese Läsion als verdächtig? Auf welche Merkmale reagiert er? Solange wir das nicht nachvollziehen können, wissen wir auch nicht, wann wir ihm vertrauen sollten – und wann nicht.

Sogenannte «explainable AI» (xAI) versucht, diese Lücke zu schliessen – Algorithmen, die zeigen, welche Bildmerkmale zur Entscheidung beigetragen haben. Erste Studien zeigen: Das erhöht nicht nur das Vertrauen, sondern auch die diagnostische Genauigkeit.⁸

Was KI (vielleicht) nie können wird: Verantwortung übernehmen

Hier liegt die entscheidende Grenze – nicht technisch, sondern prinzipiell.

KI kann unterstützen, priorisieren, warnen. Aber sie kann keine Verantwortung tragen. Wenn ein Algorithmus ein Melanom übersieht, haftet nicht das Modell.

Das klingt selbstverständlich, wird aber in der Praxis kompliziert. Patienten fragen bereits: «Die App sagt, es ist harmlos – warum wollen Sie trotzdem eine Biopsie?» Oder umgekehrt: «Der Computer sagt: verdächtig – warum warten Sie ab?» Die Kommunikation von KI-Ergebnissen ist eine neue ärztliche Aufgabe, auf die wir zu wenig vorbereitet sind.

Die rechtliche Lage 2026 ist klar: Die Verantwortung bleibt beim Arzt.⁹ Er entscheidet, ob er dem Algorithmus folgt oder nicht. Er muss das Ergebnis einordnen, es dem Patienten erklären und die Konsequenzen tragen. KI ist ein Werkzeug – ein mächtiges, aber ein Werkzeug. Wer es benutzt, muss es verstehen. Wer es nicht versteht, sollte vorsichtig sein.

Die praktischen Hürden

Selbst wo KI technisch funktioniert, bleibt die Implementierung schwierig. Drei Beispiele:

Die meisten Trainingsdaten stammen von hellhäutigen Patienten. Fitzpatrick IV–VI sind massiv unterrepräsentiert – mit der Konsequenz, dass Algorithmen bei dunkler Haut schlechter performen.¹⁰ Dabei wäre der Nutzen gerade dort enorm: In Subsahara-Afrika kommt weniger als ein Dermatologe auf eine Million Menschen.¹¹ Wo Fachärzte fehlen, könnte KI-gestützte Triage einen echten Unterschied machen. Doch genau diese Population ist in den Trainingsdaten kaum vertreten. Initiativen wie das Basler PASSION-Projekt, das systematisch Bilder aus Subsahara-Afrika sammelt, adressieren dieses Bias-Problem – aber sie stehen noch am Anfang.

Ein weiteres Problem: Generalisierbarkeit. Ein Algorithmus, der auf kuratierten Stanford-Datensätzen 95% Genauigkeit erreicht, liefert anderswo nicht automatisch das gleiche Ergebnis. Andere Kameras, andere Belichtung, andere Patientenpopulation – und die Performance sinkt. Wir alle kennen die unscharfen Smartphone-Bilder mit der Frage «Kannst du mal draufschauen?» – für trainierte Algorithmen genauso wie für uns eine Herausforderung. Die meisten KI-Studien sind retrospektiv und unter Idealbedingungen durchgeführt. Prospektive Real-World-Validierungen bleiben die Ausnahme.

Hinzu kommt die Regulatorik. Jedes Software-Update erfordert neue Validierung – CE-Kennzeichnung, FDA-Clearance, Swissmedic. Bis ein Algorithmus zugelassen ist, ist er oft schon überholt. Die Entwicklung rennt, die Zulassung hinkt hinterher. Das bremst nicht nur Innovation, sondern verunsichert auch Anwender: Was darf ich eigentlich einsetzen – und was nicht?

Fazit

KI ersetzt den Dermatologen nicht. Aber sie kann ihn besser machen – schneller bei der Triage, präziser bei der Prognose, aufmerksamer bei Veränderungen über die Zeit (Abb. 2).

Die Grenzen sind real: seltene Tumoren, fehlende Erklärbarkeit, das Bias-Problem. Aber sie sind nicht fix. Wer heute lernt, mit diesen Systemen kritisch umzugehen, wird morgen davon profitieren. Nicht die KI verändert die Dermatologie, sondern Dermatologen, die KI zu nutzen wissen.

Literatur: