Forschung

Künstliche Intelligenz erkennt Prostatakrebs im MRT: Genauer als Radiologen?

April 2026
🧬
Eine Studie aus dem Jahr 2025 hat in der urologischen Fachwelt für Aufsehen gesorgt. In einer großen internationalen Untersuchung verglichen Wissenschaftler die Treffsicherheit eines KI-Systems bei der Erkennung von Prostatakrebs im MRT mit der erfahrener Spezialisten. Das Ergebnis ließ aufhorchen. Die künstliche Intelligenz erreichte in der Erkennung klinisch relevanter Tumoren eine Genauigkeit, die nicht nur mit der erfahrener Radiologen mithalten konnte, sondern in einigen Untergruppen sogar besser abschnitt.

Aufbau der internationalen Studie

Die Untersuchung wurde an mehreren Zentren in Europa und den USA durchgeführt und umfasste die MRT-Aufnahmen von etwa 10.000 Patienten. Die Bilder wurden sowohl von menschlichen Spezialisten als auch von einem trainierten neuronalen Netz ausgewertet. Als Goldstandard für den Vergleich dienten die nachfolgenden Biopsie- oder Operationsergebnisse. Während die menschlichen Radiologen je nach Erfahrung Treffsicherheiten zwischen 70 und 84 Prozent erreichten, lag das KI-System konstant bei etwa 86 bis 88 Prozent. Besonders deutlich war der Vorsprung bei kleineren Tumoren und in der Identifikation atypisch gelegener Herde.

Was die Ergebnisse bedeuten

Die Bedeutung dieser Daten liegt weniger in einem absoluten Wettbewerb zwischen Mensch und Maschine als in der praktischen Konsequenz. Die KI macht weniger Fehler beim Übersehen relevanter Tumoren und neigt gleichzeitig zu weniger falsch-positiven Befunden, also Markierungen verdächtiger Areale, die sich später als harmlos erweisen. Beides hat unmittelbare Folgen für den Patienten. Übersehene Tumoren bedeuten verzögerte Diagnosen, falsch-positive Befunde führen zu unnötigen Biopsien und damit verbundenen Risiken wie Blutungen oder Infektionen.

Besonderer Nutzen in der Fläche

Eine wichtige Erkenntnis der Studie betrifft die Anwendung außerhalb spezialisierter Zentren. Die Genauigkeit der Radiologen variierte erheblich, abhängig von Erfahrung und Routine in der Prostata-MRT. Das KI-System hingegen lieferte unabhängig vom Standort konstant gute Ergebnisse. Daraus ergibt sich ein bisher unterschätztes Anwendungsfeld. In der Fläche, also in kleineren Krankenhäusern und peripher gelegenen Praxen, kann KI die Qualität der Diagnostik auf ein Niveau heben, das sonst nur in Universitätskliniken verfügbar wäre. Für Patienten in ländlichen Regionen bedeutet das eine erhebliche Verbesserung der Versorgung.

Noch ungelöste Fragen

Bevor die KI flächendeckend Eingang in die Routine findet, müssen aber noch einige Hürden überwunden werden. Die Zulassung als Medizinprodukt erfordert klare regulatorische Vorgaben, die für selbstlernende Software erst nach und nach geschaffen werden. Auch Fragen der Haftung sind zu klären. Wer trägt die Verantwortung, wenn ein KI-System einen Tumor übersieht? Die meisten Experten sind sich einig, dass die Letztentscheidung beim Radiologen verbleiben sollte und die KI als Unterstützung dient. Auch die Erstattung durch die Krankenkassen ist noch nicht abschließend geregelt. Trotz dieser offenen Fragen ist klar, dass die Bildauswertung in der Urologie binnen weniger Jahre nicht mehr ohne Beteiligung künstlicher Intelligenz auskommen wird.

Quellen

  1. Twilt, J. J., Bosma, J. S., Saha, A., et al. (2026). Deep learning for clinically significant prostate cancer detection on biparametric MRI: PI-CAI follow-up results at two years. Lancet Digital Health, 8(5), e387–e398.
  2. Saha, A., Bosma, J. S., Twilt, J. J., et al. (2024). Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study. Lancet Oncology, 25(7), 879–887.
  3. Cao, R., Zhong, X., Afshari, S., et al. (2024). Performance of deep learning and radiologist classification of prostate cancer using MRI. JAMA Network Open, 7(6), e2418564.
  4. Twilt, J. J., van Leeuwen, K. G., Huisman, H. J., et al. (2024). Artificial intelligence based algorithms for prostate cancer classification and detection on magnetic resonance imaging. Diagnostics, 13(5), 959.