KI erkennt Prostatakrebs im Frühstadium, der von Pathologen übersehen wird

Scientific Reports zeigt, dass künstliche Intelligenz versteckte morphologische Hinweise auf einen Tumor in Prostatabiopsien erkennen kann, die zuvor von Pathologen als gutartig eingestuft wurden. Ein mit dem schwach überwachten Ansatz trainiertes Deep-Learning-Modell sagte voraus, welche Männer mit erhöhtem PSA-Wert in den nächsten 30 Monaten klinisch signifikanten Prostatakrebs (ISUP > 1) entwickeln und welche mindestens acht Jahre krebsfrei bleiben würden. Dies ermöglicht eine frühzeitige Risikostratifizierung unmittelbar nach einer ersten „sauberen“ Biopsie und kann bei der Entscheidung helfen, wer tatsächlich wiederholte invasive Eingriffe und eine verstärkte Überwachung benötigt.

Hintergrund der Studie

Die primäre Nadelbiopsie der Prostata liefert häufig falsch-negative Ergebnisse: Ein erheblicher Anteil klinisch signifikanter Krebserkrankungen bleibt „außerhalb des Bildes“, insbesondere bei der traditionellen systematischen TRUS-Biopsie. Die Einführung der MRT-Kontrolle hat den Anteil klinisch signifikanter Krebserkennungen erhöht und die Anzahl unnötiger Wiederholungseingriffe reduziert, doch selbst mit modernen Strategien bleiben einige aggressive Tumoren unentdeckt. Das klinische Dilemma bleibt dasselbe: Wer sollte nach einer „sauberen“ Biopsie beobachtet und wer sollte für eine frühzeitige Wiederholungsbiopsie überwiesen werden, um die Diagnose nicht zu verzögern und die Patienten nicht mit invasiven Eingriffen zu überlasten.

Die biologische Grundlage zur Lösung dieses Problems ist das TINT-Phänomen (Tumor-instructed/indicating normal tissue): Ein Tumor „rekonfiguriert“ das umgebende, scheinbar normale Gewebe des Organs und hinterlässt darin schwache, aber systematische Spuren – von Stroma-Remodellierung und Hypoxie bis hin zu Stoffwechselverschiebungen. Diese Veränderungen wurden in experimentellen Modellen und bei Patienten mit Prostatakrebs beschrieben und korrelieren mit der Tumoraggressivität, was „normales“ Gewebe zu einer potenziellen Quelle diagnostischer Signale macht, selbst wenn im Biopsiekern keine offensichtlichen Krebsdrüsen vorhanden sind.

Digitale Pathologie und Deep-Learning-Methoden zielen darauf ab, solche „subtilen“ Gesichtsfeldmerkmale aus Standard-HE-Schnitten zu extrahieren. Im Gegensatz zur klassischen Morphologie, die sich auf offensichtliche Tumorstrukturen konzentriert, können Algorithmen verteilte Muster im Stroma und Epithel erfassen, die mit dem Vorhandensein eines Tumors in einem anderen Teil des Organs in Zusammenhang stehen. Dies ermöglicht eine Risikostratifizierung unmittelbar nach einer negativen Biopsie: Ein hoher Glas-Score deutet auf eine frühzeitige Wiederholungsbiopsie oder MRT-Kontrolle hin, ein niedriger Score spricht für eine schonendere Beobachtung.

Dies ist die Idee hinter einer neuen Studie in Scientific Reports: Die Autoren testeten, ob KI anhand morphologischer Hinweise aus TINT-Biopsien klinisch signifikanten Prostatakrebs in den nächsten 30 Monaten vorhersagen kann. Die Arbeit baut auf einem zuvor veröffentlichten Vorabdruck auf und bildet eine angewandte Grundlage für die Implementierung digitaler „Feld“-Biomarker in die Patientenzuordnung nach einer ersten „sauberen“ Biopsie.

So wurde es gemacht: Design, Daten, Algorithmus

Die Autoren erfassten retrospektiv eine Kohorte von 232 Männern mit erhöhtem PSA und dem anfänglichen Befund „gutartig“ bei der Nadelbiopsie (nach technischer Kontrolle wurden 213 Patienten und 587 Abschnitte in die endgültige Analyse einbezogen; Biopsien 1997–2016, Umea, Schweden). Jeder Patient wurde nach Alter, Diagnosejahr und PSA-Wert einem „Spiegelpaar“ zugeordnet: Bei der Hälfte wurde später (≤ 30 Monate) Prostatakrebs diagnostiziert, die andere Hälfte blieb mindestens 8 Jahre lang krebsfrei. H&E-Objektträger wurden digitalisiert (20×), in 256×256 Pixel große Kacheln geschnitten und in CLAM (Clustering-constrained Attention Multiple-Instance Learning) eingespeist – ein modernes, schwach überwachtes Schema, bei dem nur das Schicksal des Patienten bekannt ist, nicht aber die Markierung jedes Pixels. Die Merkmale wurden von ResNet18 extrahiert, das an 57 histopathologischen Datensätzen vortrainiert wurde. Der Endpunkt ist binär: geringes Risiko (gutartig/ISUP1) vs. hohes Risiko (ISUP2-5).

Vorhersagegenauigkeit

In einem unabhängigen Test erreichte das Modell eine AUC von 0,81 über alle Objektträger hinweg und eine AUC von 0,82 auf Patientenebene. Bei einem Schwellenwert, der ein akzeptables Gleichgewicht gewährleistete, lag die Sensitivität bei 0,92 mit einer Falsch-Positiv-Rate von 0,32 (auf Patientenebene). Anders ausgedrückt: Unter den Personen, deren erste Biopsie „fehlgeschlagen“ war, markierte die KI die überwiegende Mehrheit derjenigen korrekt, bei denen bald klinisch signifikanter Krebs bestätigt wurde, allerdings auf Kosten einiger Fehlalarme. Für die Klinik ist dies ein Signal: „Gutartige“ Biopsiereaktion ≠ Null Risiko, und sie kann durch digitales Glas quantitativ stratifiziert werden.

Was genau „bemerkt“ KI in „normalem“ Gewebe?

Die Interpretation mittels UMAP und Aufmerksamkeitskarten zeigte, dass Stromaänderungen am aufschlussreichsten sind:

• Mehr Kollagen im Stroma (Matrixverdichtung, „Fibrose“);
• Weniger glatte Muskelzellen um die Drüsen herum;
• Seltener sind subtile Signale im Drüsenepithel, wahrscheinlich unterhalb der verfügbaren Downsampling-Auflösung.
  Dieses Muster passt zum TINT-Konzept (Tumor-instructed/indicating normal tissue): Selbst die „Norm“ in einem Organ, in dem ein Tumor verborgen ist, wird unter seinem Einfluss neu konfiguriert und unterscheidet sich von der „Norm“ in einem Organ ohne Tumor. Krebs ist nicht nur ein Nidus, sondern auch ein Feld, und KI lernt, den Feldeffekt zu lesen.

Wie der Ansatz in der Praxis nützlich ist – mögliche Szenarien

• Risikobasierte erneute Biopsie: Hohe AI-Rate bei „sauberem“ Glas – Argument für eine frühzeitige erneute Biopsie oder MRT-Kontrolle statt Abwarten.
• Personalisierung der Überwachung: Die niedrige Geschwindigkeit gleicht die Angst nach einer „Grenzwert“-MRT aus und ermöglicht eine Mäßigung der Überwachungsintensität.
• TINT-Mustertraining: Aufmerksamkeitskarten und interaktive Überlagerungen helfen Pathologen, subtile Felder um Krebs herum zu erkennen und so die Konsistenz der Berichte zu verbessern.

Es ist wichtig, die Einschränkungen zu verstehen

Es handelt sich um ein einzelnes Zentrum in Nordschweden (überwiegend kaukasische Bevölkerung), das Design ist retrospektiv, die Basisbiopsien wurden ohne MRT-Kontrolle (systematische TRUS-Biopsien) durchgeführt, und die Marker stellen zukünftige Ergebnisse dar und nicht „versteckte Tumoren auf demselben Objektträger“. Es gibt bisher weder eine externe Validierung durch unabhängige Zentren/Scanner noch eine prospektive Studie über die Auswirkungen des Algorithmus auf klinische Entscheidungen und Ergebnisse. Die Falsch-Positiv-Rate bleibt signifikant – das Modell ersetzt den Arzt nicht, fügt aber eine probabilistische Ebene für die gemeinsame Entscheidungsfindung hinzu.

Was kommt als Nächstes: Implementierungs-Roadmap

• Multizentrische externe Validierung (verschiedene Scanner, Protokolle, ethnische Gruppen).
• Prospektive Entscheidungsstudien: Ändert der AI-Score den Patientenverlauf (Zeit bis zur Diagnose, Anzahl unnötiger wiederholter Biopsien, Über-/Unterdiagnose)?
• Integration mit MRT und Klinik: kombinierte Modelle (PSA, MRI PIRADS, klinische Faktoren + TINT-Score gemäß H&E).
• Technische Schritte: Standardisierung der Digitalisierung, Kontrolle der Datendrift, Erklärbarkeit (Aufmerksamkeitsüberlagerungen für Routine).

Quelle: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C., et al. Entdeckung tumoranzeigender morphologischer Veränderungen in benignen Prostatabiopsien durch KI. Scientific Reports (Nature Portfolio), veröffentlicht am 21. August 2025. DOI: https://doi.org/10.1038/s41598-025-15105-6