Hautkrebs: Wie man Künstlicher Intelligenz das Diagnostizieren lehrt

Eine frühe Diagnose steigert die Heilungschancen bei Hautkrebs enorm. Immer öfter kommt dabei schon jetzt Künstliche Intelligenz zum Einsatz. Bislang konnten Maschinen mit der komplexen Entscheidungsfindung von Dermatolog*innen aber noch nicht vollständig mithalten.

Das könnte sich bald ändern. Ein internationales Forschungsteam unter der Leitung von Harald Kittler von der MedUni Wien hat nun das sogenannte Verstärkungslernen als Methode erforscht, bei der menschliche Entscheidungskriterien in die KI eingespeist und damit die Treffsicherheit der Ergebnisse optimiert werden konnten. Die Rate der korrekt gestellten Hautkrebsdiagnosen konnte so um 12 Prozent verbessert werden. Die Studie wurde nun im Fachblatt Nature Medicine publiziert.

Von menschlicher Einschätzung lernen

Die Forscher*innen setzten auf das Reinforcement Learning (RL, dt.: Verstärkungslernen) genannte Lernmodell. Man integrierte menschliche Kriterien in Form von "Belohnungstabellen" in das KI-System. Belohnungstabellen sind Instrumente, die die positiven und negativen Konsequenzen klinischer Bewertungen sowohl aus Sicht der Ärztinnen und Ärzte als auch aus Sicht der Patient*innen in den Entscheidungsprozess einbeziehen. Infolge wurden die Ergebnisse der KI-Diagnose nicht nur mit richtig oder falsch bewertet, sondern abhängig von den Auswirkungen der Diagnose mit einer bestimmten Anzahl von Plus- oder Minuspunkten "belohnt" bzw. "bestraft".

➤ Mehr lesen: Künstliche Intelligenz erkennt Hautkrebs besser als Ärzte

"So lernte die KI nicht nur bildbasierte Merkmale, sondern auch Konsequenzen von Fehldiagnosen in der Einschätzung von gutartigen und bösartigen Hauterscheinungen zu berücksichtigen", verdeutlicht Studienleiter Harald Kittler von der Universitätsklinik für Dermatologie der MedUni Wien.

Dadurch konnte, wie die Studie zeigt, die Treffsicherheit der Diagnose Hautkrebs deutlich verbessert werden. Die Sensitivität für Melanome etwa wurde von 61,4 auf 79,5 Prozent und für Basalzellkarzinome von 79,4 auf 87,1 Prozent erhöht. Insgesamt steigerte sich die Rate korrekten Diagnosen um 12 Prozent. Gleichzeitig erhöhte sich auch die Rate der optimalen Entscheidungen für die Therapie der Erkrankung von 57,4 auf 65,3 Prozent.

Auch bei anderen Erkrankungen denkbar

Die so verbesserte Leistung der KI-basierten Hautkrebsdiagnose ist auch darauf zurückzuführen, dass durch RL das übermäßige Vertrauen der KI in ihre eigenen Vorhersagen verringert wird und Vorschläge differenzierter, also "menschlicher" werden. "Das wiederum hilft den Ärzt*innen dabei, in komplexen medizinischen Szenarien genauere und individuell zugeschnittene Entscheidungen zu treffen", betont Kittler.

Die aktuelle Arbeit konzentrierte sich hauptsächlich auf die Hautkrebsdiagnose, die grundlegenden Ideen könnten aber auch in anderen Bereichen der medizinischen Entscheidungsfindung eingesetzt werden.