KI in der Pathologie – seit 20 Jahren ein Werkzeug, jetzt mit neuem Aufwind für die diagnostische Sicherheit

Dr. med. Kathrin Hamann · Veröffentlicht: 2026-05-17 · Zuletzt aktualisiert: 2026-05-17 · 11 Min

Eine persönliche Vorbemerkung

Ich habe meine Doktorarbeit in der digitalen Pathologie geschrieben – zu einer Zeit, als „KI" in der Medizin noch ein Nischenthema war, Glasobjektträger mühsam eingescannt wurden und ein einzelnes Whole-Slide-Image (WSI) mehrere Gigabyte groß war. Schon damals haben wir Algorithmen darauf trainiert, Zellkerne zu zählen, Mitosen zu erkennen und Gewebemuster zu klassifizieren.

Wenn ich heute lese, KI in der Medizin sei „neu", muss ich schmunzeln. In der Pathologie ist sie seit über zwei Jahrzehnten Forschungsgegenstand – und seit einigen Jahren in zunehmendem Maße auch klinischer Alltag. Was sich verändert hat, ist nicht das Konzept, sondern die Rechenleistung, die Datenmengen und die regulatorische Reife.

Dieser Beitrag ordnet ein, was KI in der Pathologie wirklich kann, wo sie aktuell neuen Schub bekommt – und warum sie für die Sicherheit von Diagnosen so wichtig ist.

Was ist „Pathologie" überhaupt?

Die Pathologie ist das Fachgebiet, das aus Gewebe- und Zellproben Diagnosen stellt – etwa nach einer Biopsie, einer Operation oder einer Krebsfrüherkennungsuntersuchung. Ohne die Pathologie:

• gibt es keine sichere Krebsdiagnose,
• keine Festlegung der Tumorstadien,
• keine molekulare Charakterisierung für zielgerichtete Therapien,
• keine Qualitätskontrolle von Operationspräparaten (z. B. „im Gesunden entfernt").

In Deutschland werden jährlich Millionen Gewebeproben mikroskopisch beurteilt. Jede einzelne Diagnose hat direkte Konsequenzen für die Therapie – und damit für das Leben der Patientinnen und Patienten.

Warum digitale Pathologie? Und warum überhaupt KI?

Klassisch beurteilt der Pathologe Gewebeschnitte am Lichtmikroskop. Das funktioniert seit über 100 Jahren – aber es hat Grenzen:

• Hohe Arbeitsbelastung bei wachsendem Probenaufkommen
• Subjektive Variabilität zwischen Befundern (Interobserver-Variabilität)
• Quantitative Aufgaben (z. B. Mitosen zählen, Tumorinfiltrate auswerten) sind ermüdend und fehleranfällig
• Zunehmender Fachkräftemangel an Pathologinnen und Pathologen, gerade in der Fläche

Mit der digitalen Pathologie werden Glasobjektträger in hochauflösende Bilddaten umgewandelt – sogenannte Whole-Slide-Images. Diese Bilder lassen sich:

• am Bildschirm befunden,
• in zweiter Meinung teleweit mit Experten teilen,
• archivieren und reproduzierbar wiederverwenden,
• und – das ist der entscheidende Punkt – algorithmisch analysieren.

Genau hier setzt KI an.

20 Jahre KI in der Pathologie – ein kurzer Rückblick

KI in der Pathologie ist keine Erfindung der letzten drei Jahre. Die Entwicklung lief in Wellen:

Frühe 2000er – klassische Bildanalyse

Erste Algorithmen zur automatischen Zellkern-Segmentierung, zur Färbungsquantifizierung (z. B. Ki-67, ER/PR, HER2 beim Mammakarzinom) und zur morphometrischen Auswertung kamen in Forschung und Spezialeinrichtungen zum Einsatz – noch ohne tiefe neuronale Netze, oft auf Basis klassischer Bildverarbeitung.

2010er – Deep Learning verändert das Feld

Mit dem Durchbruch tiefer konvolutionaler Netze (CNN) ab 2012 (ImageNet) wurde Pathologie zu einer idealen Spielwiese: hochstrukturierte Bilder, große Datenmengen, klare Endpunkte. Studien zeigten, dass Algorithmen z. B. Lymphknotenmetastasen beim Mammakarzinom mit pathologen-ähnlicher Genauigkeit erkennen können (CAMELYON-Wettbewerbe).

2020er – Zulassung und Klinikalltag

Mit besserer Hardware, standardisierten Scannern und ersten CE- und FDA-zugelassenen KI-Anwendungen zog die Technik in die klinische Routine ein – etwa für die Prostatakarzinom-Diagnostik, die Mitosenzählung oder die HER2-Auswertung.

2025/2026 – Foundation Models und multimodale KI

Der aktuelle Aufwind hat einen Namen: Foundation Models für die Pathologie. Das sind sehr große, auf Millionen Bildern vortrainierte Modelle, die – ähnlich wie Sprachmodelle in der Text-KI – als universelle Basis dienen. Sie werden mit relativ wenigen Daten auf konkrete Aufgaben spezialisiert und zeigen in Studien eine deutlich höhere Robustheit als klassische Spezialmodelle. Hinzu kommt die Kopplung mit klinischen Daten, molekularer Diagnostik und Bildgebung zu multimodalen Systemen.

Was KI in der Pathologie heute konkret leistet

Aus ärztlicher Sicht sind vor allem fünf Anwendungsfelder relevant:

1. Screening und Priorisierung

KI kann eingehende Schnitte vorsortieren – z. B. bei Prostatabiopsien hervorheben, welche Präparate mit hoher Wahrscheinlichkeit ein Karzinom enthalten. Der Pathologe sieht dann zuerst die kritischen Fälle. Das spart Zeit und reduziert das Risiko, dass ein subtiles Karzinom unter der Last des Alltags untergeht.

2. Quantifizierung statt Schätzung

Viele wichtige Marker werden bis heute geschätzt: Ki-67-Index, Tumor-infiltrierende Lymphozyten, HER2-Score, PD-L1-Färbung. KI kann diese Werte reproduzierbar quantifizieren – ein erheblicher Gewinn an Vergleichbarkeit, etwa für Therapieentscheidungen in der Onkologie.

3. Zweitbefund-Funktion

KI als „zweites Augenpaar" kann auf übersehene Auffälligkeiten hinweisen – ähnlich wie bei der CAD-gestützten Mammografie. In Studien zur Prostatakarzinom-Diagnostik konnte die Kombination Pathologe + KI die Sensitivität deutlich erhöhen, ohne die Spezifität wesentlich zu verschlechtern.

4. Vorhersage molekularer Eigenschaften aus dem Bild

Eines der spannendsten Felder: Algorithmen können aus reinen HE-Schnitten (Standard-Färbung) mit zunehmender Genauigkeit molekulare Eigenschaften vorhersagen – etwa MSI-Status beim Kolonkarzinom, HER2-Status beim Mammakarzinom oder bestimmte Mutationen beim Lungenkarzinom. Das ersetzt molekulare Tests nicht, kann aber Triage-Entscheidungen unterstützen.

5. Prognoseabschätzung

Erste Modelle leiten aus der Gewebearchitektur prognostische Aussagen ab – jenseits der klassischen TNM-Klassifikation. Hier ist die Forschung noch jung, aber die Richtung klar.

Warum die Sicherheit der Diagnostik dadurch steigt

Sicherheit in der Pathologie heißt: die richtige Diagnose, beim richtigen Patienten, reproduzierbar, nachvollziehbar. KI trägt an mehreren Stellen dazu bei:

• Reduktion menschlicher Variabilität bei quantitativen Aufgaben
• Frühe Warnung bei kritischen Befunden (z. B. „mögliche Mikrometastase übersehen")
• Qualitätssicherung im Labor (z. B. Erkennung schlechter Schnittqualität, fehlerhafter Färbung)
• Standardisierung von Befunden über Standorte hinweg
• Bessere Vergleichbarkeit in multizentrischen Studien und Tumorboards
• Entlastung der Fachärzte von Routinequantifizierung, sodass mehr Zeit für komplexe Fälle bleibt

Gleichzeitig zeigt die Forschung sehr deutlich: Die besten Ergebnisse entstehen nicht durch KI allein und nicht durch Pathologen allein, sondern durch Pathologe + KI im Team. Die Algorithmen sehen Muster, die Menschen übersehen – und Menschen sehen Kontexte, die Algorithmen nicht erfassen.

Wo die Grenzen liegen – ehrlich gesagt

So beeindruckend die Entwicklung ist: Es gibt klare Grenzen, die ich aus eigener Erfahrung benennen möchte.

• Datenabhängigkeit: Ein KI-Modell ist nur so gut wie die Daten, mit denen es trainiert wurde. Wer in der Klinik andere Färbungen, Scanner oder Patientenkollektive hat, kann deutliche Genauigkeitsverluste erleben.
• Black-Box-Problem: Viele Modelle liefern Wahrscheinlichkeiten, aber keine nachvollziehbare „Begründung". Methoden der erklärbaren KI (XAI) helfen, sind aber selten perfekt.
• Regulatorik: Nur zugelassene Produkte (CE / FDA) dürfen in der Routinediagnostik eingesetzt werden. Forschungsprototypen sind kein Ersatz für validierte Software.
• Ethik und Verantwortung: Die rechtliche Verantwortung für eine Diagnose liegt beim Arzt, nicht beim Algorithmus. KI ist ein Werkzeug, kein Entscheider.
• Datenschutz: Pathologie-Daten sind hochsensibel. Training und Einsatz von KI-Modellen brauchen klare Strukturen – Pseudonymisierung, sichere Infrastruktur und nachvollziehbare Einwilligungen.

Was das für Patientinnen und Patienten bedeutet

Für Sie als Patientin oder Patient ist die Pathologie meist unsichtbar – und doch entscheidend. Was bedeutet der KI-Aufwind konkret?

• Wahrscheinlich präzisere Diagnosen, insbesondere bei Krebs.
• Schnellere Befundung in spezialisierten Zentren, die KI-Werkzeuge bereits einsetzen.
• Bessere Therapieentscheidungen, weil quantitative Marker reproduzierbarer werden.
• Mehr Tele-Pathologie, die auch kleineren Kliniken den Zugang zu Expertise und KI-Tools ermöglicht.
• Kein Verlust an menschlicher Verantwortung – Ihre Diagnose stellt weiterhin ein Facharzt, gestützt durch Algorithmen.

Wenn Sie eine wichtige pathologische Diagnose bekommen, ist es weiterhin sinnvoll, im Zweifel eine zweite Meinung einzuholen – idealerweise an einem Zentrum, das digitale Pathologie und KI bereits etabliert hat.

Häufige Fragen (FAQ)

Stellt am Ende eine KI meine Diagnose?

Nein. KI unterstützt – die Diagnose stellt ein Facharzt für Pathologie und verantwortet sie auch rechtlich.

Ist KI in der Pathologie wirklich besser als der Mensch?

In bestimmten Teilaufgaben (z. B. Mitosen zählen, Lymphknotenmetastasen finden) erreicht KI sehr hohe Genauigkeit. Insgesamt ist die Kombination Mensch + KI allen Einzellösungen überlegen.

Werden meine Gewebeproben digitalisiert?

Das hängt vom Labor ab. Universitätskliniken und große Zentren arbeiten zunehmend rein digital, kleinere Labore oft noch hybrid. Die Probe selbst wird weiterhin physisch archiviert.

Was passiert mit meinen Daten, wenn KI eingesetzt wird?

Innerhalb der Klinik unterliegen die Daten dem Patientengeheimnis und dem Datenschutz. Für Forschungszwecke werden Daten pseudonymisiert oder anonymisiert und nur im rechtlichen Rahmen weitergegeben.

Bedeutet KI, dass Pathologen überflüssig werden?

Im Gegenteil. Der Bedarf an pathologischer Expertise steigt – nur die Aufgabenverteilung verändert sich: weniger Routinezählen, mehr komplexe Interpretation, Tumorboard-Arbeit und Qualitätssicherung.

Kann KI seltene Erkrankungen erkennen?

Genau dort liegt eine ihrer Stärken – Mustererkennung über riesige Datenmengen hinweg. Voraussetzung: Das Modell wurde mit ausreichend Beispielen seltener Entitäten trainiert.

Fazit

KI in der Pathologie ist kein neues Phänomen, sondern das Ergebnis von zwei Jahrzehnten konsequenter Forschung. Was wir aktuell erleben, ist ein zweiter Aufwind durch Foundation Models, bessere Scanner, standardisierte digitale Workflows und eine reifer werdende Regulatorik.

Für die Sicherheit der Diagnostik ist das eine sehr gute Nachricht: weniger übersehene Befunde, weniger Variabilität, bessere Quantifizierung, mehr Zeit für die schwierigen Fälle. Ersetzt wird der Pathologe dabei nicht – er wird entlastet und gestärkt.

Aus eigener Erfahrung sage ich: Diese Entwicklung ist eine der leiseren, aber wirksamsten Revolutionen in der Medizin. Patientinnen und Patienten profitieren davon meist, ohne es zu wissen – und genau so sollte gute Medizin auch funktionieren.

Wenn Sie Fragen zu einem pathologischen Befund haben oder eine ärztliche Einordnung wünschen, sprechen Sie uns gern an. In unserer Online-Sprechstunde nehmen wir uns Zeit, Befunde gemeinsam mit Ihnen zu besprechen.

Jetzt Beratungstermin anfragen

Dieser Beitrag ersetzt keine ärztliche Untersuchung. Bei lebensbedrohlichen Beschwerden wählen Sie 112. Den ärztlichen Bereitschaftsdienst erreichen Sie unter 116117. Warten Sie bei einem Notfall nicht auf eine Online-Antwort.