MultiTask-Lern-KI-System zur Unterstützung der BCC-Diagnose mit dualer Erklärung

Warum das für die alltägliche Hautgesundheit wichtig ist

Hautkrebs ist weltweit die häufigste Krebsart, und das Basalzellkarzinom ist die häufigste Form davon. Mit der Ausdehnung der Telemedizin senden Hausärzte mehr Hautfotos an Klinikfachärzte als jemals zuvor, was zu langen Warteschlangen und Verzögerungen führt. Diese Studie stellt ein KI-Werkzeug vor, das nicht nur wahrscheinliche Basalzellkarzinome in diesen Bildern erkennt, sondern Ärzten auch zeigt, warum es zu dieser Einschätzung gelangt ist, wodurch Vertrauen und Einsatz in der klinischen Praxis erleichtert werden.

Wie Hautfotos heute über Telemedizin weitergeleitet werden

In vielen Regionen nutzen Hausärzte Teledermatologie, um Nahaufnahmen von Hautveränderungen an Dermatologen in Kliniken zu schicken. Diese Expertinnen und Experten suchen nach einer Reihe visueller Hinweise, wie bestimmte Formen, Farben und Gefäßmuster, um zu entscheiden, ob eine Stelle ein Basalzellkarzinom oder etwas Harmloses ist. Obwohl die grundlegenden Regeln bekannt sind, kann jeder Fall sehr unterschiedlich aussehen, und Spezialisten müssen eine wachsende Flut von Bildern aus vielen Praxen prüfen, was die Versorgung verlangsamt und das System belastet.

Expertenregeln in einen nützlichen Assistenten übersetzen

Die Forschenden entwickelten ein KI-System, das derselben Logik folgt, die Spezialisten anwenden. Es sucht in jedem dermoskopischen Bild nach sieben Schlüsselmustern, wie Ulzeration oder blattähnlichen Formen, und prüft zudem auf ein Muster, das darauf hinweist, dass die Läsion wahrscheinlich kein Basalzellkarzinom ist. Anstatt nur „Krebs“ oder „kein Krebs“ zu melden, gibt das Werkzeug an, welche dieser Muster es erkennt, und wendet dann einfache Regeln an, die sich an der Praxis von Dermatologen orientieren, um eine Läsion als wahrscheinlich krebsartig oder nicht einzustufen. Dieser Ansatz macht die Begründung der Maschine leichter nachvollziehbar.

Das System mit vielen Meinungen trainieren

Um die KI zu schulen, nutzte das Team 1.559 Hautbilder, die aus 60 Primärversorgungszentren in Andalusien gesammelt wurden, sowie zusätzliche Nicht-Krebs-Bilder aus einem öffentlichen Archiv. Vier Dermatologen markierten, welche der sieben Muster sie in jeder Läsion sahen, doch es gibt keinen perfekten Referenzstandard für diese feingliedrigen Muster, und Spezialisten sind sich oft uneinig. Die Forschenden verwendeten eine statistische Methode, um diese unterschiedlichen Meinungen zu einer einzigen Konsensbeschreibung pro Bild zusammenzuführen, wodurch das geteilte Urteil der Gruppe erfasst und individuelle Verzerrungen reduziert wurden.

Was die KI gelernt hat

Der Kern des Systems ist ein kompaktes Bilderkennungsnetz, das von einer bekannten Mobile-Architektur abgeleitet ist. Es wurde darauf trainiert, zwei Aufgaben gleichzeitig zu erfüllen: Basalzellkarzinome von anderen Läsionen zu trennen und die visuellen Muster zu erkennen, die diese Entscheidung stützen. Um mit seltenen Mustern und einem unausgewogenen Datensatz umzugehen, wandte das Team Techniken wie fortgeschrittene Verlustfunktionen, Datenaugmentation und sorgfältige Kreuzvalidierung an. Das Ergebnis ist ein Modell, das Läsionen in etwa 90 % der Fälle korrekt als Basalzellkarzinom oder nicht klassifiziert und gleichzeitig gut darin ist, die entscheidenden visuellen Muster zu identifizieren, die diese Entscheidung leiten.

Sehen, wohin die KI blickt

Über Musterlisten hinaus liefert das System Farbkarten, die die Bildbereiche hervorheben, die am stärksten zur Entscheidung beitragen. Um zu prüfen, ob diese Karten wirklich mit klinischem Denken übereinstimmen, zeichneten Dermatologen die Musterbereiche in Hunderten von Bildern sorgfältig nach. Die Forschenden verglichen dann die vom KI-Modell hervorgehobenen Zonen mit diesen Umrissen und fanden heraus, dass der Großteil der „Aufmerksamkeit“ des Modells innerhalb derselben Regionen liegt, die Expertinnen und Experten für wichtig halten. In nahezu allen krebspositiven Fällen wurde mindestens ein relevantes Muster korrekt identifiziert, und in den meisten Nicht-Krebs-Fällen wurde die erwartete „sichere“ Musterregel respektiert.

Was das für Patientinnen, Patienten und Ärztinnen und Ärzte bedeutet

In der Summe zeigen die Ergebnisse, dass ein kompaktes KI-Werkzeug in der Teledermatologie bei der Triage von Hautläsionen helfen kann und dabei klare, klinisch sinnvolle Gründe für seine Entscheidungen liefert. Es ersetzt keine Dermatologen, kann aber aufzeigen, welche Fälle zuerst gesehen werden sollten, und die visuellen Hinweise hinter seinen Warnungen darstellen. Da das System auf leichter Hardware läuft und das Denken von Spezialisten spiegelt, eignet es sich gut für eine rasche Einführung in Primärversorgungsnetzwerken mit dem Potenzial, Diagnosen zu beschleunigen, Lernen zu unterstützen und das Vertrauen in KI-gestützte Hautkrebsversorgung zu erhöhen.

Zitation: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

Schlüsselwörter: Basalzellkarzinom, Teledermatologie, erklärbare KI, Bildgebung von Hautläsionen, Dermoskopie