Laut Krebsinformationsdienst erkranken jährlich rund 65.820 Männer an Prostatakrebs. Ein hohes Lebensalter ist einer der Hauptrisikofaktoren. Unter 50 Jahren sind Männer eher selten betroffen. Wichtig bei der Diagnose ist die Einstufung des Tumors. Die Einschätzung der Aggressivität von Prostatakrebs erfolgt bislang vor allem durch das sogenannte Gleason-Grading – eine Analyse des Krebsgewebes im Pathologie-Labor, die allerdings mit hoher Subjektivität verbunden ist. Ein neuartiges, erklärbares KI-Modell soll künftig die Diagnostik von Prostatakarzinomen transparenter und weniger fehleranfällig machen.
KI mit interpretierbaren Entscheidungen
„Bisherige KI-Modelle können zwar Vorhersagen zur Gleason-Bewertung treffen, liefern aber oft keine verständliche Begründung, was die klinische Akzeptanz einschränkt“, erklärt Titus Brinker vom Deutschen Krebsforschungszentrum (DKFZ). Das neu entwickelte System verzichte auf nachträgliche Erklärungsansätze und basiere direkt auf Beschreibungen der Pathologie. Dazu wurden 1.015 Gewebeproben von internationalen Expertinnen und Experten mit detaillierten Mustererklärungen versehen („annotiert“). Die Studie, an der 54 Pathologinnen und Pathologen aus zehn Ländern, unter anderem aus Deutschland, den USA, Kanada und der Schweiz, beteiligt waren, stellt eine der umfangreichsten Sammlungen an erklärungsbasierten Gewebeannotationen vor. Als Ergebnis stellt das Heidelberger Team mit „GleasonXAI“ eine KI vor, die interpretierbare Entscheidungen bietet – ähnlich wie ein Pathologe sie liefern würde.
Frei verfügbarer Datensatz mit erklärungsbasierten Annotationen
Durch die Nutzung sogenannter „Soft Labels“, die die Unsicherheiten zwischen einzelnen Pathologen-Bewertungen abbilden, war es möglich, dass die KI trotz hoher Variabilität reproduzierbare Ergebnisse erzielte. Im direkten Vergleich mit konventionellen Modellen habe die GleasonXAI eine gleichwertige oder bessere Genauigkeit erreicht – bei gleichzeitig erhöhter Transparenz. Die beteiligten Pathologinnen und Pathologen brachten im Median 15 Jahre klinische Erfahrung in das Projekt ein. Neben der Modellentwicklung veröffentlicht das Team auch den bislang größten frei verfügbaren Datensatz mit erklärungsbasierten Annotationen für Gleason-Muster, um die Forschung an erklärbarer KI weiter voranzutreiben.
Einsatz in der Routinepathologie?
„Wir haben erstmals ein KI-System entwickelt, das die charakteristischen Gewebemerkmale der Gleason-Muster erkennt und sich ähnlich wie ein Pathologe erklärt“, sagt Gesa Mittmann, Koautorin der Studie. „Das soll Vertrauen und Akzeptanz in die KI im klinischen Alltag steigern.“ Die Ergebnisse zeigen, dass erklärbare KI ohne Leistungseinbußen praxisnah umgesetzt werden kann. Dies könnte den Einsatz in der Routinepathologie beschleunigen – hochrelevant gerade in Zeiten steigender Krebszahlen und sinkender Facharztkapazitäten. Darüber hinaus unterstützt das Modell auch die Ausbildung: „Die erklärbaren Segmentierungen können besonders Nachwuchs-Pathologinnen und -Pathologen helfen, typische Muster zu verstehen und schneller sichere Diagnosen zu stellen“, betont Brinker.
Quelle: idw/DKFZ
Artikel teilen
