Die Krebsmedizin steht vor einem Wendepunkt: Künstliche Intelligenz kann Diagnosen präziser machen und Therapien besser auf den einzelnen Patienten zuschneiden. Doch der Erfolg hängt nicht von einzelnen Algorithmen ab, sondern davon, ob es gelingt, Bilddaten aus Radiologie und Pathologie mit molekularen Befunden und realen Versorgungsdaten zu verknüpfen. Wer verstehen will, wo KI in der Onkologie wirklich Mehrwert schafft, muss auf die Datenarchitektur schauen.

Molekulare Fingerabdrücke erkennen 170 Krebsarten

An der Charité in Berlin haben Forschende ein KI-Modell entwickelt, das mehr als 170 verschiedene Krebsarten anhand ihres molekularen Profils identifiziert. Bei Hirntumoren erreicht das System eine diagnostische Genauigkeit von 99,1 Prozent. Das klingt beeindruckend, ist aber kein Früherkennungsinstrument für das allgemeine Screening. Vielmehr handelt es sich um einen diagnostischen Test, der zum Einsatz kommt, wenn bereits ein Verdacht besteht.

Der Clou liegt in der Kombination: Die KI wertet nicht nur Gewebeproben aus, sondern integriert genetische Marker, histologische Muster und molekulare Signaturen. So entsteht ein mehrdimensionales Bild, das weit über das hinausgeht, was ein einzelner Befund liefern kann. Die Charité spricht von einem molekularen Fingerabdruck, der Tumorarten präzise voneinander unterscheidet.

Was in der Praxis zählt: Die Diagnose wird schneller und zuverlässiger. Gerade bei seltenen Tumoren, bei denen die Differentialdiagnose schwierig ist, kann die KI Ärzte unterstützen. Sie ersetzt die medizinische Expertise nicht, sondern liefert eine zusätzliche Perspektive, die auf Daten basiert, die kein Mensch in dieser Geschwindigkeit verarbeiten könnte.

Versorgungsdaten zeigen, was in der Realität funktioniert

Das Bundesministerium für Gesundheit treibt mit dem Projekt onkoFDZ eine Infrastruktur voran, die klinische Krebsregisterdaten mit GKV-Routinedaten und Klinikdaten verknüpft. Ziel ist es, den Einsatz und die Wirksamkeit von Behandlungen mit KI-gestützten Methoden zu analysieren. Am Beispiel Darmkrebs wird untersucht, welche Therapien in der Versorgungsrealität tatsächlich wirken und wo es Unterschiede zwischen Leitlinien und Praxis gibt. Diese Art der Evidenzgenerierung ist für die Weiterentwicklung der Onkologie zentral, weil sie zeigt, was außerhalb kontrollierter Studien passiert. Real-World-Daten sind oft unvollständig und heterogen, doch gerade hier kann KI ihre Stärke ausspielen: Sie erkennt Muster in großen, unstrukturierten Datensätzen und liefert Hinweise auf Therapieerfolge oder Risikofaktoren, die sonst verborgen blieben.

Bildgebung und Biomarker gemeinsam auswerten

In der Radiologie und Pathologie analysiert KI schon heute Mammographien, CT- und MRT-Aufnahmen sowie Ultraschallbilder. Das Deutsche Krebsforschungszentrum berichtet, dass KI-Systeme Krankheiten auf Bilddaten teils so zuverlässig wie Ärzte diagnostizieren können. Doch die Datenlage ist dünn, viele Studien sind klein und methodisch begrenzt. Der Krebsinformationsdienst weist darauf hin, dass die wissenschaftliche Evidenz noch ausbaufähig ist.

Der nächste Schritt liegt in der Fusion: Bilddaten sollen mit klinischen, laborchemischen, genetischen und statistischen Daten korreliert werden. Ein Beispiel aus dem Karlsruher Institut für Technologie zeigt, wie Röntgenbilder mit molekularbiologischen Informationen, DNA-Sequenzen und Literaturdaten kombiniert werden. So entsteht ein Gesamtbild, das individuelle Krankheitsverläufe besser vorhersagen lässt.

Die Universitätsklinik Würzburg arbeitet an einer KI-gestützten Tumordatenbank, die genauere Prognosen erstellen und das Therapieansprechen vorhersagen soll. Hier geht es nicht nur um Diagnostik, sondern um die Frage, welche Behandlung bei welchem Patienten die besten Chancen hat. Die KI lernt aus historischen Daten und kann so Empfehlungen geben, die auf vergleichbaren Fällen basieren.

Personalisierte Therapien durch Datenfusion

Die Onkologie bewegt sich in Richtung personalisierter Medizin. KI hilft dabei, maßgeschneiderte Krebstherapien zu entwickeln, indem sie genomische Daten, Biomarker, Bilder und Laborwerte gemeinsam auswertet. Das Journal Onkologie betont, dass KI vor allem bei der strukturierten Auswertung von Real-World-Daten und in klinischen Entscheidungsprozessen relevant ist. Die endgültige Entscheidung bleibt beim behandelnden Arzt, doch die KI liefert eine datenbasierte Grundlage, die die Entscheidungsfindung verbessert.

Ein Beispiel: Bei einem Patienten mit fortgeschrittenem Lungenkrebs analysiert die KI genetische Mutationen im Tumor, vergleicht sie mit Tausenden ähnlichen Fällen und schlägt eine zielgerichtete Therapie vor, die auf das spezifische Mutationsmuster abgestimmt ist. Gleichzeitig berücksichtigt das System Begleiterkrankungen, Medikamenteninteraktionen und bisherige Behandlungsverläufe. Diese Integration ist nur möglich, wenn die Daten aus verschiedenen Quellen verfügbar und verknüpfbar sind.

Grenzen und offene Fragen

Trotz aller Fortschritte bleibt die wissenschaftliche Evidenz für viele KI-Anwendungen in der Onkologie begrenzt. Der Krebsinformationsdienst macht deutlich, dass die Ergebnisse von Bild-KI zwar oft vielversprechend sind, aber viele Studien nur begrenzt aussagekräftig sind. Es fehlen große, unabhängige Validierungsstudien, die zeigen, dass KI-gestützte Diagnostik in der Routineversorgung tatsächlich zu besseren Ergebnissen führt.

Dazu kommen regulatorische Fragen: Wer haftet, wenn eine KI eine Fehldiagnose stellt? Wie transparent müssen Algorithmen sein, damit Ärzte ihnen vertrauen können? Und wie stellt man sicher, dass KI-Systeme nicht auf verzerrten Daten trainiert werden, die bestimmte Patientengruppen benachteiligen? Diese Fragen sind nicht trivial und müssen beantwortet werden, bevor KI flächendeckend in der Krebsmedizin eingesetzt wird.

Die Integration in bestehende Versorgungsabläufe ist eine weitere Herausforderung. Kliniken und Praxen arbeiten mit unterschiedlichen IT-Systemen, die oft nicht miteinander kommunizieren. Daten liegen in verschiedenen Formaten vor, sind unvollständig oder nicht standardisiert. Ohne eine gemeinsame Dateninfrastruktur bleibt das Potenzial von KI ungenutzt.

Wo der größte Hebel liegt

Die stärkste Aussage aus den verfügbaren Quellen ist nicht, dass KI Ärzte ersetzt, sondern dass sie unterstützt, priorisiert und personalisiert. Der größte Hebel liegt in der Verknüpfung unterschiedlicher Datenquellen. Einzelne Algorithmen, die nur Bilder oder nur Genomdaten analysieren, bringen begrenzte Fortschritte. Erst wenn Bilddaten, molekulare Befunde und Versorgungsdaten zusammengeführt werden, entsteht ein Mehrwert, der die Krebsmedizin präziser macht.

Projekte wie das onkoFDZ oder die Tumordatenbank in Würzburg zeigen, wie dieser Ansatz in der Praxis aussieht. Sie schaffen die technische und organisatorische Basis, um heterogene Daten zu integrieren und für KI-Anwendungen nutzbar zu machen. Das ist aufwendig, aber notwendig. Ohne diese Infrastruktur bleibt KI in der Onkologie ein Versprechen, das nicht eingelöst wird.

Datenverknüpfung als Erfolgsfaktor

KI kann die Krebsmedizin präziser machen, aber nur, wenn die Datenbasis stimmt. Die Verknüpfung von Bilddaten, molekularen Befunden und Versorgungsdaten ist der entscheidende Faktor. Wer in diesem Bereich investiert, schafft die Grundlage für eine Onkologie, die individueller, wirksamer und effizienter wird. Die Technologie ist da, die Algorithmen werden besser, doch der Erfolg hängt von der Infrastruktur ab. Kliniken, Forschungseinrichtungen und Gesundheitspolitik sind gefordert, die notwendigen Rahmenbedingungen zu schaffen. Nur so wird aus dem Potenzial von KI ein messbarer Nutzen für Patienten.

CORDIS – Künstliche Intelligenz verbessert die Krebsdiagnostik

bundesgesundheitsministerium.de – Krebs-Forschungsdatenzentrum

charite.de – Tumordiagnostik: KI-Modell erkennt mehr als 170 Krebsarten

tagesschau.de – KI erkennt Tumore: Hilfe für Ärzte, nicht Ersatz

ukw.de – KI-gestützte Tumordatenbank (Universitätsklinikum Würzburg)

krebsinformationsdienst.de – Künstliche Intelligenz in der Medizin

journalonko.de – Künstliche Intelligenz in der Onkologie

KIT – Perspektiven künstlicher Intelligenz in der Diagnose und Therapie

mammamia-online.de – Künstliche Intelligenz in der Krebsmedizin

(c) Foto: iStock, gorodenkoff