Künstliche Intelligenz in der Onkologie. Geheilt dank KI?

Foto: Shutterstock

Herr Prof. Marr, welche Rolle spielt künstliche Intelligenz aktuell in der Hämatologie?

Man muss zwischen Forschung und Anwendung unterscheiden. In der Forschung ist KI gerade ein sehr heißes Thema. Viele Arbeitsgruppen probieren aus, wie künstliche Intelligenz eingesetzt werden kann, um Krankheiten besser und schneller zu erkennen, Patientengruppen zu stratifizieren oder Therapieansprechen vorherzusagen. Im ersten Schritt versucht die Maschine, das zu tun, was Expert*innen können, z.B. Dermatolog*innen und Patholog*innen. Im zweiten Schritt kann sie im besten Fall darüber hinaus Krankheiten erkennen, die eine Hämatologin im Blutausstrich derzeit nicht sieht, oder komplexe Datensätze so miteinander verschneiden, dass bessere Aussagen möglich werden. Denn beispielsweise die Interpretation von Genomsequenzierungsdaten eines Patienten geht über die Fähigkeiten der meisten Menschen weit hinaus.

In der Anwendung spielt KI hingegen noch keine große Rolle. Wenn wir ins Krankenhaus gehen, sitzen wir immer noch lange im Wartezimmer, füllen mehrfach Patientenzettel aus und haben beim Wechsel in ein anderes Krankenhaus unsere CT-Scans nicht dabei. Da hapert es an vielen Stellen bei der Digitalisierung. Und wenn wir keine Daten haben, auf denen KI-Modelle angewendet werden können, gibt es auch keine Modelle. Wir versuchen aber, Modelle, die in Forschungsarbeiten funktioniert haben, in Kliniken zu implementieren – mit Fokus auf München. In der M1 Munich Medical Alliance arbeiten die TUM-Klinik, der LMU, die Universitäten der TUM und LMU sowie des Helmholtz Zentrums zusammen, um Fortschritte bei Versorgung und Forschung zu errei-chen. Dort versuchen wir mit unseren „Clinical AI Consultants“, Model-le in die Klinik zu bringen und ihre Effekte auf Diagnose und Workflows zu evaluieren.

KI könnte bei Diagnose, Therapie und Prognose zum Einsatz kommen. Wo ist sie am weitesten?

In der Radiologie gibt es schon länger KI-Modelle, weil die Radiologie per se digital ist. Dort bekommt man sofort ein digitales Bild, und dort gibt es auch die meisten KI-Produkte. In der Hämatologie und der Pathologie ist es komplizierter: Knochenmark oder Schnitte eines Krebsgewebes liegen ja zunächst auf einem Glasträger vor und müssen erst eingescannt werden. Aber einige Abteilungen an den Münchner Kliniken, etwa die Pathologien an der TUM und der LMU, sind inzwischen so weit, dass alles, was aus der Klinik hereinkommt, digital verarbeitet wird. So entstehen die Datensätze, die wir brauchen, um Modelle zu trainieren und anzuwenden.

Wie bringen Sie verschiedene Datensätze zusammen?

Gar nicht. Große Patientendatensätze aus der Klinik herauszubekommen, ist eigentlich unmöglich – außer sie sind perfekt pseudonymisiert oder anonymisiert. Das geht bei Blutausstrichen, auf denen einzelne Zellen zu sehen sind und an denen keine Patienteninformation „dranhängt“. Sobald diese aber enthalten sind, geben die Kliniken die Daten aus guten Gründen nicht heraus. Wenn man zum Beispiel vorhersagen will, wie sich eine bestimmte Therapie auf einen Patienten auswirkt, braucht man zeitaufgelöste Daten. Die Lösung ist, das Modell in der Klinik mit den Daten der jeweiligen Klinik zu trainieren und dort auch anzuwenden.

Es gibt zwar auch Ansätze wie Swarm Learning oder Federated Learning: Das Modell „hüpft“ von Krankenhaus zu Krankenhaus und lernt an jedem Standort dazu. Das ist aber noch Zukunftsmusik. Dafür bräuchten wir an allen Standorten sehr ähnliche, digitalisierte und strukturierte Datensätze und Computer.

Welche Rolle spielt die KI bei Therapien und Prognose?

Mit Foundation Models wie Alpha-Fold von Google DeepMind oder anderen wissenschaftlich getriebenen Projekten lassen sich schon jetzt bei neuen Medikamenten bestimmte Eigenschaften oder Proteinstrukturen vorhersagen. Zum Beispiel, ob und wie ein Medikament an andere Proteine bindet oder einen bestimmten Rezeptor blockiert. So kann man am Rechner simulieren, wie sich Medikamenten-Kandidaten verhalten werden und deren Bewertung beschleunigen. Phase-1-, Phase-2- und Phase-3-Studien muss man aber trotzdem weiterhin machen, und die brauchen Zeit.

Bei der Prognose haben wir hingegen noch Schwierigkeiten, weil wir dafür große digitalisierte Datensätze bräuchten. Eine Arbeit auf Basis der UK Biobank, einer Kohortenstudie mit mehr als 500.000 Menschen, zeigt erste Hinweise, dass man aus solchen Datensätzen viel lernen kann: etwa über die Wahrscheinlichkeit, dass eine Krankheit beginnt und schwer oder leicht verläuft – je nachdem, welche Daten man vorher zeitaufgelöst gesammelt hat.

Viele Ärztinnen und Ärzte fürchten einen Missbrauch. Können Sie das verstehen?

Ich glaube, die Medizin ist sehr gut reguliert. KI-Algorithmen, die mit Patientendaten arbeiten, bewegen sich in einem extrem regulierten Bereich. Wenn daraus ein KI-Produkt werden soll, muss klar sein: Wie wurde es trainiert? Welche Daten sind eingeflossen? Wie sicher ist die Vorhersage? Ich halte die Medizin deshalb für einen sehr guten Anwendungsfall für KI.

Braucht es nicht evtl. doch noch mehr gesetzliche Regulierung?

Im medizinischen Bereich, glaube ich, nicht. Die jetzige Regulierung hat sich über Jahrzehnte bewährt. Und sie wurde an die KI angepasst. Der EU AI Act z.B. schreibt vor, dass ein System, das in einem Hochrisikobereich wie der Medizin eingesetzt wird, bestimmte Kriterien erfüllen muss. Die Vorgaben sind hier relativ streng. Wenn es um soziale Netzwerke oder KI-generierte Inhalte geht, müssen wir aus meiner Sicht dagegen schnell und gut regulieren – gerade wenn Kinder und Jugendliche betroffen sind.

Wie hoch ist die Fehlerquote bei Voraussagen einzuschätzen?

Das hängt stark von Anwendung und Modell ab. Ich glaube nicht, dass wir in der Medizin große Sprachmodelle wie ChatGPT einsetzen werden. Viel-mehr braucht es spezifische Modelle, von denen wir genau wissen, wie sie sich verhalten. Bei der Diagnose können wir z.B. Modelle bauen, die weiße Blutzellen klassifizieren und bestimmen, wie viele Blasten eine Patientin hat, ob es eine Leukämie ist, oder nicht, und ob eine Leukämie nach einer Chemotherapie wahrscheinlich wiederkommt. Eingesetzt werden solche Modelle aber nur, wenn die Unsicherheit nicht größer ist als wenn ein Mensch diese Vorhersagen trifft. In unserer Forschungsgruppe arbeiten wir eng mit dem Münchner Leukämielabor zusammen, einem diagnostischen Labor für Bluterkrankungen, dem größten in Europa. Dort wird die KI jeden Tag benutzt. Sonst könnten die Mitarbeitenden die Zahl der Anfragen gar nicht abarbeiten. KI klassifiziert dort einzelne Blutzellen. Am Ende aber schaut immer ein Mensch auf das Ergebnis und evaluiert es. Solche Arbeitsabläufe wollen wir auch in Kliniken etablieren.

Kann die KI Ärztinnen und Ärzte ersetzen?

Geoffrey Hinton, Nobelpreisträger für Physik, hat vor vielen Jahren sinn-gemäß gesagt: Wir können wegen der KI aufhören, Radiolog*innen auszubilden. Doch heute gibt es sogar mehr Radiolog*innen als früher. Allerdings nutzen viele von ihnen inzwischen KI-Tools, um ihr Arbeitspensum effizienter zu erledigen. Auch Patholog*innen oder Dermatolog*innen werden wir künftig nicht einfach „abschaffen“. Vielleicht kann die KI aber irgendwann immer mehr einfache Routineschritte übernehmen. Wie beim Leukämielabor muss am Ende aber immer eine Ärztin oder ein Arzt draufschauen – auch wegen der Verantwortungsfrage. Idealerweise entlastet die KI unsere Ärztinnen und Ärzte von langweiligen, repetitiven Aufgaben, etwa vom Schreiben von Arztbriefen, sodass sie wieder mehr Zeit für die Patient*innen haben. Ich bin sicher: KI ersetzt Ärztinnen und Ärzte nicht, sondern verbessert schließlich ihren Arbeitsalltag.

Was kostet der Einsatz von KI?

KI gibt es auch deswegen, weil viele Firmen glauben, damit sparen zu können. Das hat sich bisher allerdings global noch nicht wirklich bewahrheitet. Im Münchner Leukämielabor aber spart die KI tatsächlich viel Zeit. Ich hoffe, dass wir auch in den Kliniken künftig viele Prozesse und Abläufe schneller, günstiger und effizienter machen können, gerade wenn wir in Zukunft zu wenige Ärztinnen und Ärzte haben und das Gesundheitssystem immer teurer wird.

Wo liegt Ihre Hoffnung speziell für die Onkologie?

Bei der Medikamentenentwicklung ist KI in vielen Pipelines schon jetzt stark integriert, vor allem bei Kandidatenfindung und -evaluierung. In der Diagnostik könnte die KI Ärztinnen und Ärzten künftig helfen, informierte Entscheidungen zu treffen. Wie weit wir darüber hinaus Krankheitsverläufe für die Prognose früher erkennen können als bisher, müssen wir sehen. Klar ist aber: Wenn man mit Hilfe der KI bestimmte Proteine im Blut bestimmt oder Zellen visuell analysieren lässt, bekommt man Einsichten, die man vorher nicht hatte. Denn der Computer kann mehr Datenpunkte analysieren, schaut oft genauer, betrachtet andere Merkmale und kann komplexere Zusammenhänge erfassen als der Mensch.

Gibt es ein Projekt, in das Sie besondere Hoffnung setzen?

Ja, die hämatologischen Themen, an denen ich seit Jahren arbeite. Ich fände es großartig, wenn wir unsere Modelle auf alle Patientinnen und Patienten anwenden könnten, die in der Klinik sind. Dafür müssen wir eine Pipeline etablieren, damit Proben direkt digitalisiert werden und unsere Modelle angewendet werden. Dann hätten wir tatsächlich die Chance, Krankheiten schneller vorherzusagen, den Therapie-Response besser einzuschätzen und multimodale Daten zu verschneiden: Bilddaten, Laborwerte und Variablen, die im Krankenhaus über die Zeit erfasst werden. So könnten wir z.B. nur den Patientinnen und Patienten ein Medikament geben, die davon wirklich profitieren. Solche Pilotprojekte in der Hämatologie versuchen wir in den nächsten zwei Jahren mit unseren Kooperationspartnern in den Laboren und der Klinik zu etablieren.

Dieses Gespräch führte Stephanie Hügler

MÄA 14/2026 vom 11.07.2026