Das Ovarialkarzinom (OC) wird häufig erst in fortgeschrittenen Stadien diagnostiziert – nicht zuletzt, weil der transvaginale Ultraschall als diagnostischer Goldstandard stark von der Erfahrung der UntersucherIn abhängt.1,2 Ein Mangel an spezialisierten UntersucherInnen führt in der Praxis immer wieder zu verzögerten oder fehlerhaften Diagnosen und in der Folge zu unnötigen operativen Eingriffen.3,4 Eine Biopsie zur histologischen Abklärung kommt bei Verdacht auf ein OC in der Regel nicht in Frage, da sie das Risiko einer Tumorzellverschleppung birgt.5 Genau an dieser diagnostischen Lücke setzen aktuelle Ansätze der Künstlichen Intelligenz (KI) an – mit dem Ziel, die Ultraschalldiagnostik unabhängiger von individueller Untersuchererfahrung zu machen.
Eine 2025 in Nature Medicine veröffentlichte Studie hat ein transformer-basiertes KI-Modell zur Auswertung von Ultraschallbildern beim OC entwickelt und extern validiert.6 Datenbasis waren 17119 Ultraschallbilder von 3652 Patientinnen aus 20 Zentren in acht Ländern, erhoben mit 21 unterschiedlichen Ultraschallgeräten (Abb. 1).6 Um die tatsächliche Generalisierbarkeit des Modells zu prüfen, wählten die AutorInnen ein besonders strenges Studiendesign: Bei der sogenannten „Leave-one-center-out“-Kreuzvalidierung wird das Modell jeweils an den Daten aller anderen Zentren trainiert und anschließend an einem bislang unbekannten Zentrum getestet6 – ein Vorgehen, das reale Praxisbedingungen deutlich strenger abbildet als eine klassische interne Validierung.
Abbildung 1 Studiendesign der internationalen multizentrischen Validierung einer KI-gestützten Ultraschallauswertung zur Detektion des Ovarialkarzinoms. Erstellt nach 1.
Das Ergebnis: Mit einem F1-Score von 83,5 % übertraf die KI sowohl erfahrene UntersucherInnen (79,5 %) als auch weniger erfahrene UntersucherInnen (74,1%) signifikant (p < 0,0001).6 Die KI zeigte sich in dieser multizentrischen Validierung damit nicht nur robust über verschiedene Geräte, Zentren, histologische Diagnosen und Altersgruppen hinweg, sondern auch beiden menschlichen Vergleichsgruppen überlegen.
Für die klinische Praxis besonders relevant ist eine im Rahmen der Studie durchgeführte Triage-Simulation: Der Einsatz der KI hätte gegenüber der aktuellen klinischen Praxis 63 % weniger Überweisungen an spezialisierte Zentren zur Folge gehabt bei gleichzeitig höherer diagnostischer Genauigkeit.6 Für den klinischen Alltag würde das bedeuten, dass mehr Patientinnen bereits in der Primärversorgung korrekt eingeschätzt und nur diejenigen mit tatsächlichem Verdacht auf Malignität an spezialisierte Zentren weitergeleitet werden.
Das Potenzial KI-gestützter Ultraschallauswertung ist dabei kein völlig neues Phänomen: Bereits 2022 zeigte eine chinesische Studie an zehn Kliniken vergleichbares Potenzial.7 Mit der aktuellen, deutlich größer angelegten Studie liegt nun jedoch erstmals eine globale, multizentrische Validierung vor, die die Übertragbarkeit auf sehr unterschiedliche Versorgungskontexte – von acht Ländern (Zentren in Europa und auf den Philippinen, keine deutsche Beteiligung) bis zu 21 verschiedenen Gerätetypen – belegt und damit die Grundlage für eine breitere klinische Anwendung stärkt.
Neben End-to-End-Modellen, die aus Ultraschallbildern direkt eine Klassifikation ableiten, verfolgt ein alternativer Ansatz eine andere Strategie: ADNEX-AI automatisiert die etablierten, interpretierbaren Ultraschallparameter des ADNEX-Modells (Assessment of Different Neoplasias in the adneXa) der International Ovarian Tumour Analysis-Gruppe (IOTA), anstatt auf eine Black-Box-Klassifikation zu setzen.8 In der zugehörigen Studie erreichte dieser Ansatz eine Fläche unter der Kurve (AUC) von 0,91 gegenüber 0,93 bei manueller Anwendung des ADNEX-Modells durch geschulte UntersucherInnen8 – ein Ergebnis, das die klinische Akzeptanz erklärbarer, nachvollziehbarer Modelle stärkt, da einzelne Bewertungsschritte für ÄrztInnen transparent bleiben.
Für den klinischen Alltag ergibt sich daraus eine zentrale, noch offene Frage: Setzt sich End-to-End-KI mit maximaler diagnostischer Leistung durch, oder erklärbare, parameterbasierte KI, die auf etablierten und nachvollziehbaren Kriterien beruht? Diese Frage dürfte auch darüber entscheiden, wie schnell und wie breit KI-gestützte Verfahren in bestehende diagnostische Abläufe integriert werden.
Die aktuelle Studienlage zeigt: Das Forschungsfeld der KI-gestützten Ultraschallauswertung beim OC hat einen hohen Reifegrad erreicht. Mehrere unabhängige, teils multizentrische und extern validierte Modelle belegen konsistent eine diagnostische Leistung auf oder über dem Niveau erfahrener UntersucherInnen. Der nächste Schritt ist die klinische Implementierung – erste prospektive Studien dazu laufen bereits. Offen bleibt vor allem, wie und in welcher Form eine Integration in bestehende Leitlinien erfolgen wird, und ob sich End-to-End- oder parameterbasierte Modelle als Standard etablieren.
Abkürzungen:
ADNEX: Assessment of Different Neoplasias in the adneXa
AI: artificial intelligence
AUC: Fläche unter der Kurve
F1-Score: Kennzahl zur Bewertung eines Klassifikationsmodells (kombiniert Sensitivität und Präzision)
IOTA: International Ovarian Tumour Analysis
KI: Künstliche Intelligenz
OC: Ovarialkarzinom
Referenzen:
Bildquelle: ©shutterstock/2145585791
NP-DE-NRP-WCNT-260011 (08/2026)