Neues KI-System erkennt 18 Krebsarten ohne Nachtraining

Das zentrale Hindernis bei KI in der Pathologie ist nicht die Erkennungsgenauigkeit, sondern die Bereitstellung: Wer ein KI-System in ein Krankenhaus bringen will, muss es dort neu trainieren, auf lokale Scanner, Färbemethoden und Patientenpopulationen anpassen. Das dauert Monate und braucht Ressourcen, die viele Einrichtungen nicht haben. Ein System namens PRET von der Hongkonger Universität für Wissenschaft und Technologie setzt an diesem Engpass an und erkennt 18 Krebsarten ohne klinikspezifisches Training.

Was PRET ist und wie es funktioniert

PRET steht für "Pan-cancer Recognition without Example Training". Entwickelt wurde das System von Forschenden um Assistant Professor Li Xiaomeng an der Hongkonger Universität für Wissenschaft und Technologie (HKUST). Im April 2026 erschien die Studie im Fachjournal Nature Cancer, einem der renommiertesten Journale in der Krebsforschung.

Das Grundprinzip stammt aus der Sprachverarbeitung: In großen Sprachmodellen hat sich das sogenannte In-Context-Learning etabliert, bei dem ein System eine neue Aufgabe aus wenigen Beispielen ableitet, ohne neu trainiert zu werden. PRET überträgt dieses Konzept auf histopathologische Bilder. Um einen neuen Krebstyp zu erkennen, reichen dem System ein bis acht annotierte Gewebeschnitte als Referenz. Das System passt dann seine Ausgaben an, ohne seine Grundparameter zu ändern.

Herkömmliche KI-Systeme in der Medizin werden mit großen Datensätzen einer bestimmten Institution oder Patientenpopulation trainiert. Das Training dauert Wochen bis Monate und muss bei einem Wechsel des Scanners, einer neuen Patientenpopulation oder einem anderen Krankenhaus wiederholt werden. PRET umgeht diesen Schritt: Das System wurde mit einem breiten Spektrum histopathologischer Bilder vortrainiert und kann neue Aufgaben über das In-Context-Learning-Prinzip ableiten, ohne seinen Grundzustand anzupassen.

Warum das Anpassungsproblem in der Pathologie real ist

Gewebeschnitte sehen in verschiedenen Institutionen unterschiedlich aus. Unterschiedliche Färbemethoden, Gewebepräparation, Scannertechnik und Patientenpopulationen führen dazu, dass ein Modell, das mit Datensätzen aus Klinik A trainiert wurde, in Klinik B oft schlechter abschneidet oder neu kalibriert werden muss. Das erfordert Zeit, Expertenwissen und Ressourcen, die viele Krankenhäuser weltweit nicht aufbringen können.

Dieses Problem löst PRET mit seiner Architektur. Die Forschenden validierten das System an 23 internationalen Benchmark-Datensätzen aus medizinischen Einrichtungen in Festlandchina, den USA und den Niederlanden und kamen zu einem einheitlichen Ergebnis: Das System funktioniert ohne Nachtraining über verschiedene institutionelle Kontexte hinweg.

23 Datensätze, 20 Aufgaben, 18 Krebsarten

Über die 23 Datensätze hinweg testeten die Forschenden PRET an 20 diagnostischen Aufgaben: Krebsscreening, Tumorklassifizierung, Tumorsegmentierung und Nachweis von Lymphknotenmetastasen. In 20 dieser Aufgaben schnitt PRET besser ab als bisher publizierte Systeme. In 15 Aufgaben erreichte das System einen AUC-Wert von über 97 Prozent.

Beim Darmkrebsscreening erzielte PRET laut HKUST-Angaben einen AUC von 100 Prozent. Beim Lymphknotennachweis kam das System auf 98,71 Prozent. Elf Pathologen, die dieselbe Aufgabe bearbeiteten, erreichten im Schnitt 81 Prozent. Diese Zahl ist mit Vorsicht zu lesen: Klinische Pathologen greifen bei der Befundung auf weitaus mehr Kontext zurück als auf einzelne Gewebeschnitte. Das Ergebnis zeigt jedoch, dass PRET bei diesem spezifischen Schritt der Bildanalyse auf einem klinisch relevanten Niveau arbeitet.

Im Vergleich: Andere KI-Systeme in der digitalen Pathologie

PRET ist nicht das erste KI-System in der digitalen Pathologie. Paige AI, ein Unternehmen mit Sitz in New York, erhielt im September 2021 von der US-Arzneimittelbehörde FDA die erste Zulassung für ein KI-System zur Prostatakrebsdiagnose. In einer klinischen Studie erhöhte Paige Prostate die Empfindlichkeit von Pathologen bei der Tumordetektion von 88,7 auf 96,6 Prozent und reduzierte falsch-negative Diagnosen um rund 70 Prozent. PathAI und Ibex Medical Analytics bieten vergleichbare Systeme für spezifische Krebstypen an.

Der strukturelle Unterschied zu PRET: Diese Systeme sind auf einzelne Krebstypen und bestimmte institutionelle Kontexte optimiert. Für jede neue Anwendung oder Institution ist erheblicher Trainingsaufwand erforderlich. PRET deckt 18 Krebstypen auf einmal ab und beginnt ohne diesen Aufwand. Die Forschungsgruppe sieht das System deshalb als Grundlage für universell einsetzbare Pathologiediagnosen, besonders in Regionen, in denen spezialisierte Einrichtungen und erfahrene Pathologen knapp sind.

Vom Labor in die Klinik: Was PRET jetzt noch braucht

Zwischen der Veröffentlichung einer Studie in Nature Cancer und dem routinemäßigen Einsatz in Krankenhäusern liegen typischerweise zwei bis fünf Jahre. In den USA entscheidet die FDA über die Zulassung von Medizinsoftware, in Europa die European Medicines Agency in Zusammenarbeit mit nationalen Behörden. Das erfordert prospektive klinische Studien, in denen das System unter realen Bedingungen und mit klar definierten Patientenpopulationen getestet wird. Rückblickend wurde Paige AI zuerst 2019 als Breakthrough Device eingestuft und erhielt die reguläre Zulassung im September 2021.

Zweitens muss PRET in bestehende klinische Abläufe integriert werden, was Schnittstellen zu digitalen Pathologiescannern und Krankenhausinformationssystemen voraussetzt. Drittens braucht die breite Einführung Ärztinnen und Ärzte, die Ausgaben des Systems einordnen und gegebenenfalls hinterfragen. KI-Systeme in der Pathologie sind keine autonomen Diagnoseinstanzen. Sie lenken die Aufmerksamkeit auf relevante Bereiche des Gewebeschnitts. Die finale Diagnose und die klinische Entscheidung liegen weiterhin beim Menschen.