Adaptives Rahmenwerk für diagnostisches Schließen in der Pathologie mit multimodalen großen Sprachmodellen

Warum das für die Krebsdiagnose wichtig ist

Wenn ein Pathologe eine Gewebeprobe unter dem Mikroskop betrachtet, trifft er Entscheidungen von existenzieller Bedeutung: Liegt Krebs vor, um welchen Typ handelt es sich und wie aggressiv könnte er sein? Computerprogramme unterstützen bereits beim Durchforsten Tausender solcher Bilder, aber die meisten verhalten sich wie rätselhafte Blackboxen und liefern eine Ja‑oder‑Nein‑Antwort, ohne ihre Schlussfolgerung nachvollziehbar darzustellen. Diese Studie stellt eine neue Methode vor, die bildverstehende KI mit sprachbasiertem Schließen verbindet, sodass der Computer nicht nur sagt, was er für richtig hält, sondern auch erklärt, warum — in Begriffen, die mit der diagnostischen Denkweise realer Pathologen übereinstimmen.

Blackboxen in Erklärer verwandeln

Die meisten vorhandenen Systeme zum Lesen von Pathologiefarben konzentrieren sich auf rohe Genauigkeit. Sie lernen Muster aus Millionen von Pixeln und geben dann ein Etikett aus wie

Zitation: Hong, Y., Kao, KC., Edwards, L. et al. Adaptive diagnostic reasoning framework for pathology with multimodal large language models. Commun Med 6, 236 (2026). https://doi.org/10.1038/s43856-026-01491-z

Schlüsselwörter: computationale Pathologie, erklärbare KI, Krebsdiagnose, multimodale Sprachmodelle, medizinische Bildgebung