Melan-Dx: ein wissensgestütztes Vision‑Language‑Framework verbessert die Differenzialdiagnose melanocytärer Neoplasien

Warum eine intelligentere Melanomdiagnostik wichtig ist

Melanom, eine gefährliche Form von Hautkrebs, lässt sich häufig heilen, wenn es früh erkannt wird — vorausgesetzt, die Ärzten, die Gewebeproben am Mikroskop begutachten, erkennen es korrekt. Leider sind sich selbst erfahrene Spezialistinnen und Spezialisten nicht immer einig, besonders bei Grenzfällen, die fast, aber nicht ganz bösartig erscheinen. Dieser Artikel beschreibt Melan‑Dx, ein neues System der künstlichen Intelligenz (KI), das Hautkrebsexpertinnen und -experten unterstützen soll, indem es tausende fachlich annotierte Mikroskopbilder mit strukturiertem medizinischen Wissen kombiniert und so schnellere, beständigere und transparentere Diagnosen ermöglicht.

Aufbau eines umfassenden Atlas von Hauttumorbildern

Der erste Schritt bestand darin, einen hochwertigen „Atlas“ melanocytärer Tumoren zusammenzustellen — der große Familienverband von Wucherungen, zu dem harmlose Muttermale ebenso gehören wie lebensgefährliche Melanome. Dermatopathologinnen und Dermatopathologen der University of Pennsylvania wählten sorgfältig 2.893 Mikroskopbilder aus und annotierten sie; die Sammlung deckt 44 verschiedene Typen melanocytärer Läsionen ab, von häufigen benignen Nävi bis hin zu seltenen, aggressiven Melanomen. Jedes Bild fokussiert eine Region von Interesse und ist in eine dreistufige Hierarchie nach Tumorklassifikationen der Weltgesundheitsorganisation (WHO) eingeordnet, die Krankheiten zunächst nach breiter Kategorie, dann nach Subtyp und schließlich nach spezifischer Diagnose gruppiert. Diese strukturierte Gliederung spiegelt wider, wie Fachleute im Alltag über diese Läsionen denken.

Die KI mit medizinischem Wissen lehren, nicht nur mit Pixeln

Melan‑Dx geht über typische, rein bildbasierte KI‑Ansätze hinaus, indem es Bilder mit Textbeschreibungen aus autoritativen medizinischen Quellen verbindet. Für jeden Erkrankungstyp erstellte das Team kurze, strukturierte Einträge, die beschreiben, worauf Pathologinnen und Pathologen achten — etwa Zellform, Wachstumsverhalten und Ergebnisse spezieller Färbungen — und wie diese Merkmale eine Läsion von einer anderen unterscheiden. Ein großes Sprachmodell half bei der Organisation dieser Informationen, doch Experten überprüften die Inhalte auf Richtigkeit. Bilder und Texte werden gemeinsam in numerische »Embeddings« überführt und in einer durchsuchbaren Datenbank gespeichert. So kann die KI nicht nur visuelle Muster erkennen, sondern diese auch mit expliziten diagnostischen Kriterien verknüpfen — ähnlich wie ein Arzt, der in einem gut indexierten, illustrierten Lehrbuch nachschlägt.

Wie das Melan‑Dx‑System einen neuen Fall bewertet

Wenn Melan‑Dx ein neues Biopsiebild sieht, verarbeitet es dieses über zwei koordinierte Zweige. Im Bildzweig kodiert ein Vision‑Modell das Bild und ruft die ähnlichsten Beispiele aus dem Atlas ab, wobei es jene hervorhebt, die am besten passen, und sie zu einer erweiterten Repräsentation verschmilzt. Im Wissenszweig wird dasselbe Bild genutzt, um die relevantesten Textausschnitte zu möglichen Diagnosen aufzurufen. Spezielle »Experten«‑Module für jeden Erkrankungstyp gewichten, welche Referenzbilder und Wissenseinträge am wichtigsten sind, und Fusions‑Blöcke kombinieren diese Hinweise. Das System wird so trainiert, dass bei einer korrekten Diagnose die erweiterten Bild‑ und Textrepräsentationen eng aufeinander abgestimmt sind, während nicht passende Paare auseinandergezogen werden. Dieses kontrastive Lernen hilft der KI, Dutzende subtil unterschiedlicher Tumortypen zu unterscheiden, bleibt dabei jedoch in medizinischem Wissen verankert.

Prüfung von Genauigkeit, Sicherheit und Effizienz

Die Forschenden verglichen Melan‑Dx anschließend mit mehreren führenden Pathologie‑KI‑Modellen in verschiedenen Aufgaben. Bei der einfachen Frage »Melanom oder nicht?« erzielte Melan‑Dx bis zu 87 % Genauigkeit und übertraf damit sowohl leicht adaptierte als auch vollständig neu trainierte Modelle. In einer anspruchsvolleren 40‑Klassifikation über zahlreiche Melanom‑ und Muttermaluntertypen erreichte es knapp 70 % Genauigkeit beim Spitzen‑Treffer und über 87 %, wenn drei Vermutungen erlaubt waren — wiederum besser als konkurrierende Ansätze. Das System respektierte außerdem die Krankheitshierarchie: Wenn es falsch lag, verwechselte es eher eng verwandte Zustände miteinander als gutartige und bösartige Kategorien, was den klinischen Realitäten besser entspricht. Bei Ganzschnittbildern — großen digitalen Scans ganzer Gewebeschnitte — verbesserte Melan‑Dx die Krebsdetektion sowohl bei knappen Trainingsdaten als auch bei reichlich Beispielen; zugleich verringerte sich die Trainingszeit um fast 90–97 %, weil das zentrale Vision‑Modell nicht neu trainiert werden muss.

Was das für Patientinnen, Patienten und Ärztinnen und Ärzte bedeutet

Für Patientinnen und Patienten bedeutet Melan‑Dx nicht einen allwissenden Roboterarzt, sondern eine intelligentere Zweitmeinung, die helfen kann, übersehene Melanome zu reduzieren und unnötige Beunruhigung durch Überdiagnose zu vermeiden. Für Klinikerinnen und Kliniker liefert das System nicht nur ein Etikett, sondern auch Belege: Es zeigt ähnliche frühere Fälle und die wichtigsten schriftlichen Kriterien, die seine Empfehlung stützen, sodass sich seine Schlussfolgerungen leichter prüfen lassen. Obwohl die aktuelle Arbeit sich auf melanocytäre Tumoren konzentriert und auf einem sorgfältig kuratierten Datensatz aus einem Zentrum beruht, könnte dieselbe Strategie — Bilder mit strukturiertem medizinischem Wissen verknüpfen und Retrieval zur Steuerung der KI nutzen — auf viele andere Erkrankungen ausgeweitet werden. Als leichtgewichtiges, erklärbares Werkzeug für die Mensch‑KI‑Zusammenarbeit weist Melan‑Dx in eine Zukunft, in der Pathologinnen und Pathologen das Sagen behalten, aber besser gerüstet sind, genaue und zeitnahe Hautkrebsdiagnosen zu stellen.

Zitation: Yao, J., Li, S., Liang, P. et al. Melan-Dx: a knowledge-enhanced vision-language framework improves differential diagnosis of melanocytic neoplasm pathology. npj Digit. Med. 9, 171 (2026). https://doi.org/10.1038/s41746-026-02357-3

Schlüsselwörter: Melanomdiagnose, computationale Pathologie, medizinische KI, Vision‑Language‑Modelle, Erkennung von Hautkrebs