Ein internationales Forschungsteam hat mit PRET ein KI-System vorgestellt, das Krebsarten in medizinischen Bildaufnahmen erkennt – ohne klassisches Beispiel-Training. Die in Nature Cancer veröffentlichte Studie könnte die KI-gestützte Diagnostik grundlegend verändern, besonders dort, wo Daten knapp sind.
KI-System PRET erkennt Tumore ohne klassisches Beispiel-Training
Kernproblem: Datenmangel im klinischen Alltag
Konventionelle KI-Modelle für die medizinische Bildanalyse setzen voraus, dass große Mengen annotierter Beispieldaten vorliegen – also Aufnahmen, die von Fachärzten bereits als krebsartig oder gesund klassifiziert wurden. Dieser Aufwand ist kostspielig, zeitintensiv und in vielen medizinischen Einrichtungen schlicht nicht leistbar. Besonders bei seltenen Krebsarten fehlen ausreichend Fallzahlen, um klassische Supervised-Learning-Modelle zuverlässig zu trainieren.
Few-Shot-Ansatz als methodischer Unterschied
PRET – das Akronym steht für einen Few-Shot-Ansatz zur pan-cancer Erkennung – arbeitet mit sogenanntem Few-Shot Learning. Das bedeutet: Das System benötigt nur wenige oder gar keine bezeichneten Beispiele einer bestimmten Krebsart, um diese dennoch zuverlässig zu erkennen.
Statt auf tausende gelabelte Beispiele angewiesen zu sein, extrahiert PRET allgemeine visuelle und pathologische Muster aus großen, ungelabelten Datensätzen – ein paradigmatischer Bruch mit klassischen Trainingsansätzen.
Das System wurde von Forschenden aus China, den USA und weiteren Institutionen entwickelt, darunter Teams der Harvard Medical School und mehrerer chinesischer Universitätskliniken. Es wurde auf einem breiten Spektrum von Tumorentitäten – daher “pan-cancer” – evaluiert und erzielte dabei Erkennungsleistungen, die mit klassisch trainierten Modellen vergleichbar oder überlegen waren.
Praktische Konsequenzen für die Diagnostik
Der methodische Ansatz adressiert ein strukturelles Problem der KI-gestützten Medizin: die Diskrepanz zwischen Forschungsergebnissen unter kontrollierten Bedingungen und der tatsächlichen Einsatzfähigkeit in klinischen Umgebungen.
PRET könnte prinzipiell dort eingesetzt werden, wo keine großen institutionellen Datenpools existieren:
- Kleinere Krankenhäuser ohne eigene Forschungsinfrastruktur
- Medizinische Einrichtungen in Entwicklungsländern
- Diagnose neu auftretender oder besonders seltener Tumorformen
Darüber hinaus reduziert der Few-Shot-Ansatz die Abhängigkeit von kontinuierlicher manueller Nachpflege der Trainingsdaten, was den laufenden Betrieb eines solchen Systems erheblich erleichtern würde.
Einschränkungen und offene Fragen
Wie bei allen in der Forschung vorgestellten KI-Systemen gilt auch für PRET: Der Schritt von der Validierungsstudie zur regulierten klinischen Anwendung ist erheblich.
Veröffentlichte Genauigkeitswerte aus kontrollierten Studienumgebungen lassen sich nicht direkt auf heterogene Praxisdaten übertragen.
Europäische Zulassungsanforderungen – insbesondere unter der EU AI Act-Klassifizierung für Hochrisiko-KI-Systeme im Medizinbereich – verlangen umfangreiche Konformitätsbewertungen, Transparenznachweise und klinische Evidenz.
Einordnung für deutsche Unternehmen
Für Unternehmen aus der Medizintechnik, der digitalen Gesundheitsversorgung oder dem Bereich KI-gestützter Diagnostik ist PRET ein relevanter Forschungsimpuls: Der Few-Shot-Ansatz könnte mittelfristig den Einstiegsaufwand für KI-Lösungen in der Pathologie senken und neue Produktansätze ermöglichen – etwa für Nischenindikationen oder Märkte mit begrenzter Datenverfügbarkeit.
Wer entsprechende Entwicklungen verfolgt, sollte frühzeitig die regulatorischen Anforderungen nach EU AI Act und MDR in die Produktplanung integrieren – dieser Prozess nimmt typischerweise mehrere Jahre in Anspruch.
Quelle: Nature Cancer
