Subscribe to RSS
DOI: 10.1055/a-2725-1493
KI beim Mammakarzinom
Authors
Künstliche Intelligenz – aktueller Stand der Technik
Künstliche Intelligenz oder KI – was ist das genau?
Die Abkürzung für „künstliche Intelligenz“ ist KI. Damit ist gemeint, dass Computer Aufgaben übernehmen können, die normalerweise Menschen durchführen. Für die Entwicklung dieser Fähigkeiten benötigen Computer oder andere technische Geräte wie Smartphones, Smartwatches oder Wearables spezielle Programme oder sogenannten Code. Dieser Code wird von Menschen geschrieben [1]. So entsteht der Eindruck, dass der Computer selbstständig denken und handeln kann. Tatsächlich handelt es sich hier um künstlich erzeugte Intelligenz und nicht um echtes Denken.
Ein bedeutender Unterschied zwischen KI und Menschen besteht bei Gefühlen. Menschen empfinden Freude, Trauer oder Überraschung. Eine KI besitzt solche Gefühle nicht.
Damit eine KI das kann, was sie kann, muss die KI zuvor lernen. Dazu sagt man auch, dass die KI trainiert werden muss. Für das Training der KI sind die Daten entscheidend, aus denen Muster und Regeln abgeleitet werden. Die Zuverlässigkeit einer KI hängt ausschlaggebend von der Qualität und Relevanz der Daten ab, mit denen sie trainiert wird [2]. Werden beispielsweise geeignete medizinische Daten verwendet, kann KI dazu beitragen, die Medizin von morgen zu unterstützen und voranzubringen [3].
Datensicherheit – Schutz sensibler Informationen
Für das Training von KI-Systemen werden große Datenmengen benötigt. Dazu zählen unter anderem Anamnesen, Diagnosen, Therapien, Medikamentenpläne, Labor- und Bilddaten sowie Befundberichte aus der elektronischen Patientenakte. Diese Daten enthalten sehr persönliche Informationen. Deshalb ist es wichtig, sie gut zu schützen. Kliniken, Universitäten und Forschungseinrichtungen speichern Daten verschlüsselt, damit Unbefugte diese nicht lesen können. Außerdem wird genau festgelegt, wer Zugriff hat. Häufig werden persönliche Angaben entfernt (Anonymisierung), sodass keine Rückschlüsse mehr auf einzelne Personen möglich sind. Die Datenschutz-Grundverordnung (DSGVO) schützt in Europa das Recht auf Datenschutz [4]. Sie ist entscheidend dafür, dass mit KI Fortschritt ermöglicht wird, ohne die Privatsphäre des Einzelnen zu gefährden.
Supercomputer – entscheidend für die Entwicklung und das Training von KI
KI benötigt viel Rechenleistung – vor allem, wenn große Modelle mit riesigen Datenmengen trainiert werden. Ein normaler Laptop oder Computer stößt dabei sehr schnell an seine Grenzen. Deshalb kommen spezielle Hochleistungsrechner zum Einsatz. Diese bestehen aus vielen leistungsstarken Prozessoren (CPUs) und Grafikkarten (GPUs), die zusammenarbeiten. Die schnellsten und mächtigsten dieser Systeme nennt man Supercomputer. Sie ermöglichen es, komplexe KI-Modelle in vertretbarer Zeit zu entwickeln und zu verbessern – Aufgaben, für die ein normaler Computer Jahre brauchen würde.
Vertrauenswürdigkeit der KI
Damit KI-Algorithmen in der Medizin eingesetzt werden können, müssen sie zuverlässig, nachvollziehbar und sicher funktionieren. Patientinnen und Patienten, Angehörige, Ärztinnen und Ärzte und das medizinische Fachpersonal müssen darauf vertrauen können, dass die Ergebnisse korrekt sind und die notwendigen medizinischen Entscheidungen unterstützen. Hier ist ein zentraler Aspekt die Transparenz [5]. Für jede und jeden muss nachvollziehbar sein, wie eine KI zu einem Ergebnis kommt. Hierfür relevant wiederum sind die Daten. Nur mit qualitativ hochwertigen, repräsentativen Daten lassen sich faire und genaue Vorhersagen treffen. KI soll medizinisches Personal unterstützen, nicht ersetzen, und ist immer in ein verantwortungsvolles menschliches Handeln eingebettet.
Publication History
Article published online:
14 January 2026
© 2026. Thieme. All rights reserved.
Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
-
Literatur
- 1 Russell S, Norvig P. Artificial Intelligence, Global Edition: A Modern Approach. München: Pearson Deutschland; 2021
- 2 LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015; 521: 436-444
- 3 Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019; 25: 44-56
- 4 European Commission. General Data Protection Regulation (GDPR) (EU) 2016/679. Official Journal of the European Union; L119, 1–88 ed. 2016. Accessed October 14, 2025 at: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02016R0679-20160504
- 5 Lekadir K, Frangi AF, Porras AR. et al. FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare. BMJ 2025; 388: e081554
- 6 Kim HE, Kim HH, Han BK. et al. Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Health 2020; 2: e138-e148
- 7 Dembrower K, Crippa A, Colon E. et al. Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study. Lancet Digit Health 2023; 5: e703-e711
- 8 Eisemann N, Bunk S, Mukama T. et al. Nationwide real-world implementation of AI for cancer detection in population-based mammography screening. Nat Med 2025; 31: 917-924
- 9 Bahadir CD, Omar M, Rosenthal J. et al. Artificial intelligence applications in histopathology. Nature Reviews Electrical Engineering 2024; 1: 93-108
- 10 Prasad P, Khair AMB, Saeed M. et al. Artificial Intelligence in Histopathology. J Pharm Bioallied Sci 2024; 16: S4226-S4229
- 11 Duggento A, Conti A, Mauriello A. et al. Deep computational pathology in breast cancer. Semin Cancer Biol 2021; 72: 226-237
- 12 Ottl M, Steenpass J, Wilm F. et al. Fully automatic HER2 tissue segmentation for interpretable HER2 scoring. J Pathol Inform 2025; 17: 100435
- 13 Lu MY, Chen B, Williamson DFK. et al. A multimodal generative AI copilot for human pathology. Nature 2024; 634: 466-473
- 14 McGenity C, Clarke EL, Jennings C. et al. Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. NPJ Digit Med 2024; 7: 114
- 15 Yang Y, Fasching PA, Tresp V. Predictive Modeling of Therapy Decisions in Metastatic Breast Cancer with Recurrent Neural Network Encoder and Multinomial Hierarchical Regression Decoder. In: 2017 IEEE International Conference on Healthcare Informatics (ICHI). 2017: 46-55
- 16 Yang Y, Tresp V, Wunderle M. et al. Explaining Therapy Predictions with Layer-Wise Relevance Propagation in Neural Networks. In: 2018 IEEE International Conference on Healthcare Informatics (ICHI). 2018: 152-162
- 17 Merzhevich T, Tanzanakis A, Salin E. et al. Machine Learning Predictions of Overall and Progression-Free Survival in Advanced Breast Cancer. In: Bellazzi R, Juarez Herrero JM, Sacchi L. et al. , Hrsg. Artificial Intelligence in Medicine. Cham: Springer Nature Switzerland; 2025: 267-271
- 18 Kim JY, Jeon E, Kwon S. et al. Prediction of pathologic complete response to neoadjuvant chemotherapy using machine learning models in patients with breast cancer. Breast Cancer Res Treat 2021; 189: 747-757
- 19 Cain EH, Saha A, Harowicz MR. et al. Multivariate machine learning models for prediction of pathologic response to neoadjuvant therapy in breast cancer using MRI features: a study using an independent validation set. Breast Cancer Res Treat 2019; 173: 455-463
- 20 Li H, Aggarwal A, Toro P. et al. A prognostic and predictive computational pathology immune signature for ductal carcinoma in situ: retrospective results from a cohort within the UK/ANZ DCIS trial. Lancet Digit Health 2024; 6: e562-e569
- 21 Zhang X-M, Zhou H-J, Chen Q. et al. Development and validation of an artificial intelligence system for triple-negative breast cancer identification and prognosis prediction: a multicentre retrospective study. eClinicalMedicine 2025; 89: 103557
- 22 Sammut SJ, Crispin-Ortuzar M, Chin SF. et al. Multi-omic machine learning predictor of breast cancer therapy response. Nature 2022; 601: 623-629
- 23 Bergstrom EN, Abbasi A, Diaz-Gay M. et al. Deep Learning Artificial Intelligence Predicts Homologous Recombination Deficiency and Platinum Response From Histologic Slides. J Clin Oncol 2024; 42: 3550-3560
- 24 Ferber D, El Nahhas OSM, Wolflein G. et al. Development and validation of an autonomous artificial intelligence agent for clinical decision-making in oncology. Nat Cancer 2025; 6: 1337-1349
- 25 Choi MS, Chang JS, Kim K. et al. Assessment of deep learning-based auto-contouring on interobserver consistency in target volume and organs-at-risk delineation for breast cancer: Implications for RTQA program in a multi-institutional study. Breast 2024; 73: 103599
- 26 Almberg SS, Lervag C, Frengen J. et al. Training, validation, and clinical implementation of a deep-learning segmentation model for radiotherapy of loco-regional breast cancer. Radiother Oncol 2022; 173: 62-68
- 27 Galand A, Prunaretty J, Mir N. et al. Feasibility study of adaptive radiotherapy with Ethos for breast cancer. Front Oncol 2023; 13: 1274082
