KI-basierte Hautkrebs-Früherkennung
Künstliche Intelligenz (KI) wird zunehmend in der Medizin eingesetzt und spielt auch in der Dermatologie eine immer wichtigere Rolle. Während KI-Anwendungen zunächst vor allem in der Forschung etabliert wurden, finden sie inzwischen auch in der klinischen Praxis Anwendung. Durch die Analyse großer Bilddatensätze können Algorithmen klinische und dermatoskopische Aufnahmen mit hoher Genauigkeit klassifizieren. Besonders hilfreich ist dies bei der Beurteilung pigmentierter Läsionen sowie bei der Ganzkörperfotografie mit Risikobewertung auffälliger Hautveränderungen.
Ganzkörperfotografie und 3D-Bildgebung
Moderne Systeme ermöglichen die Erfassung der gesamten Hautoberfläche in 2D oder 3D. Die Aufnahme ermöglicht es, neue, wachsende oder sich verändernde Läsionen zuverlässig zu identifizieren [1]. Daten aus der Schweiz zeigen, dass die Genauigkeit von 3D-Aufnahmen nahe an die Sensitivität und Spezifität erfahrener Dermatologen heranreicht [2]. Patient:innen bevorzugen dabei häufig den kombinierten Ansatz aus ärztlicher Expertise und 3D-Bildgebung [3]. Eine randomisierte Studie aus Australien belegt zudem die Machbarkeit von 3D-Total-Body-Photography (TBP) in Kombination mit Teledermatologie, auch wenn aktuell noch höhere Kosten im Vergleich zur Standardnachsorge entstehen [4, 5].
KI im Vergleich zur ärztlichen Expertise
Neben Übersichtsaufnahmen können auch Nahaufnahmen einzelner Hautläsionen durch KI ausgewertet werden. In einer Studie wurde ein Convolutional Neural Network (CNN) mit 96 Dermatolog:innen verglichen, um Hautveränderungen anhand von Bildern diagnostizierten [6]. Das KI-System erreichte eine Sensitivität von 95% und eine Spezifität von 77%. Insgesamt waren die Ergebnisse vergleichbar mit denen erfahrener Dermatolog:innen, die zusätzlich von klinischen Kontextinformationen profitierten. Ein Nachteil bisheriger KI-Systeme ist jedoch die eingeschränkte Nachvollziehbarkeit der Entscheidung, was die Akzeptanz bei Ärzt:innen erschwert.
Erklärbare KI erhöhen die Diagnosegenauigkeit und das Vertrauen
Eine neue Studie zeigt nun: Erklärbare KI-Systeme (XAI (Explainable Artificial Intelligence)), die ihre Diagnosen mit klaren, fachspezifischen Erklärungen versehen, erhöhen die Diagnosegenauigkeit signifikant und stärken das Vertrauen sowie die Sicherheit der Hautärzte bei der Befundung. Besonders bei komplexen Fällen führt der Einsatz von XAI zu einer besseren Entscheidungsfindung [7, 8].
KI in der Histopathologie und multimodale Ansätze
Auch auf histologischer Ebene kann KI unterstützen, beispielsweise beim Nachweis von Tumorzellen in Haut- oder Lymphknotenproben. Besonders relevant ist dies bei seltenen oder schwer zu diagnostizierenden Hauttumoren wie kindlichen Melanomen oder familiär gehäuftem Hautkrebs. [9] Zukünftig könnten multimodale Modelle wie „PanDerm“, das auf über zwei Millionen Hautbildern trainiert wurde, die Diagnostik weiter verbessern. Dieses Basismodell integriert Ganzkörperfotografie und Einzelaufnahmen und gilt als vielversprechender Ansatz für eine verbesserte Patientenversorgung [10].
Relevanz von KI für Risikopatient:innen
Von KI in der Hautkrebs-Früherkennung könnten besonders Patient:innen mit erhöhtem Hautkrebsrisiko profitieren, etwa mit familiären Syndromen, multiplen dysplastischen Nävi oder nach bereits erlittenen Melanomen profitieren. Hier kann KI helfen, Veränderungen frühzeitig zu erkennen und die Nachsorge zu verbessern.
Quelle:Arbeitsgemeinschaft Dermatologische Onkologie (ADO)
Literatur:
- (1)
Nguyen J. et al. (2023) Evaluation of dynamic dermoscopic features of melanoma and benign naevi by sequential digital dermoscopic imaging and total body photography in a high-risk Australian cohort. Australas J Dermatol. 2023 Feb;64(1):67-79. DOI: 10.1111/ajd.13975.
- (2)
Cerminara SE. et al. (2023) Diagnostic performance of augmented intelligence with 2D and 3D total body photography and convolutional neural networks in a high-risk population for melanoma under real-world conditions: A new era of skin cancer screening? Eur J Cancer. 2023 Sep;190:112954. DOI: 10.1016/j.ejca.2023.112954.
- (3)
Goessinger EV. et al. (2024) Patient and dermatologists' perspectives on augmented intelligence for melanoma screening: A prospective study. J Eur Acad Dermatol Venereol. 2024 Dec;38(12):2240-2249. DOI: 10.1111/jdv.19905.
- (4)
Soyer HP. et al. (2025) A Randomized Clinical Trial. JAMA Dermatol. 2025;161(5):472–481. doi:10.1001/jamadermatol.2025.0211 Lindsay D, Soyer HP, Janda M, et al. Cost-Effectiveness Analysis of 3D Total-Body Photography for People at High Risk of Melanoma. JAMA Dermatol. 2025;161(5):482–489. DOI: 10.1001/jamadermatol.2025.0219.
- (5)
Haenssle, H.A. et al. (2020) Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions, Annals of Oncology, Volume 31, Issue 1, 137 – 143, DOI: 10.1016/j.annonc.2019.10.013.
- (6)
Chanda, T. et al. (2024) Dermatologist-like explainable AI enhances trust and confidence in diagnosing melanoma. Nat Commun 15, 524 (2024), DOI: 10.1038/s41467-023-43095-4.
- (7)
Chanda, T. et al. (2025) Dermatologist-like explainable AI enhances melanoma diagnosis accuracy: eye-tracking study. Nat Commun 16, 4739, DOI: 10.1038/s41467-025-59532-5.
- (8)
Jansen P. et al. (2023) Deep learning detection of melanoma metastases in lymph nodes. Eur J Cancer. 2023 Jul;188:161-170. DOI: 10.1016/j.ejca.2023.04.023.
- (9)
Yan S. et al. (2025) A multimodal vision foundation model for clinical dermatology. Nat Med. 2025 Jun 6. DOI: 10.1038/s41591-025-03747-y.