Endoskopische Polypendetektion und Charakterisierung durch KI

Etwa ein Viertel aller kolorektalen Neoplasien wird bei der Screening-Koloskopie übersehen – ein wesentlicher Grund für das Auftreten von Intervallkarzinomen.¹ Genau hier setzt der Einsatz künstlicher Intelligenz (KI) an: Systeme auf Basis tiefer neuronaler Netze, darunter Convolutional Neural Networks und zunehmend auch Transformer-Modelle, können während der Untersuchung in Echtzeit verdächtige Läsionen erkennen (Computer-aided Detection, CADe) oder deren wahrscheinliche Histologie einschätzen (Computer-aided Diagnosis, CADx). Kaum ein anderes Gebiet der Medizin ist dabei bereits so nah an der klinischen Routine. Für die gastrointestinale Endoskopie stehen inzwischen regulatorisch zugelassene KI-Systeme zur Detektion und Charakterisierung von Läsionen zur Verfügung.²

KI-gestützte Detektion: CADe

Die derzeit überzeugendste Evidenz liegt für die KI-gestützte Detektion vor. Eine Metaanalyse von 44 randomisierten kontrollierten Studien mit mehr als 30.000 Teilnehmenden zeigte unter Einsatz von CADe eine deutlich höhere Adenomdetektionsrate (ADR) von 44,8 % gegenüber 37,4 % ohne KI (RR 1,22; 95%-KI 1,16–1,29). Auch die Zahl der detektierten Adenome pro Koloskopie stieg von 0,78 auf 0,98.^3, 4, 5
Besonders eindrucksvoll zeigt sich der Effekt in Tandem-Studien: Die Adenom-Miss-Rate konnte unter CADe von 35,3 % auf 16,1 % nahezu halbiert werden (RR 0,47; 95%-KI 0,36–0,60).³ Auch sessile serratierte Läsionen werden durch KI häufiger erkannt.^1, 6
Der Vorteil scheint dabei bemerkenswert robust zu sein und ist von Größe, Morphologie und Lokalisation der Adenome weitgehend unabhängig.¹ Eine Netzwerk-Metaanalyse von 48 RCT bestätigte Verbesserungen der ADR für mehrere kommerziell verfügbare Systeme, darunter GI Genius^™, CAD EYE und ENDO-AID. Allerdings ist die Evidenzsicherheit insgesamt nur niedrig bis moderat.⁶
Damit ist CADe derzeit die am besten belegte klinische Anwendung von KI in der Koloskopie: Die Technologie hilft vor allem dabei, Läsionen nicht zu übersehen.

Abb. 1: CADx-Einschätzung von GI-Genius^™ – Adenoma und Non-Adenoma

Abb. 2: CADx-Einschätzung von GI-Genius™ – No-Prediction

Abb. 3: CADx-Einschätzung von GI-Genius™ – Adenoma

Abb. 4: CADx-Einschätzung von GI-Genius™ – Non-Adenoma

KI-gestützte Charakterisierung: CADx

Einen Schritt weiter geht CADx. Hier soll die KI nicht nur erkennen, dass ein Polyp vorhanden ist, sondern unmittelbar dessen wahrscheinliche Histologie beurteilen. Besonders relevant ist dies für diminutive Polypen mit einer Größe von ≤ 5 mm im Rektosigmoid.
Ziel ist es, bei geeigneten Läsionen auf eine Abtragung und anschließende histopathologische Untersuchung verzichten zu können – also Strategien wie Diagnose and leave oder Resect and discard sicher umzusetzen.
Damit dies vertretbar ist, gelten hohe Anforderungen an die diagnostische Genauigkeit. Für eine Diagnose-and-leave-Strategie bei vermuteten hyperplastischen Polypen ≤ 5 mm im Rektosigmoid fordert die American Society for Gastrointestinal Endoscopy (ASGE) einen negativen prädiktiven Wert (NPV) von mindestens 90 % für eine adenomatöse Histologie. Für Resect and discard wird eine mindestens 90%ige Übereinstimmung der daraus resultierenden Surveillance-Intervalle mit der pathologischen Diagnose gefordert.⁷Das Potenzial ist beträchtlich: Diminutive Adenome und rektosigmoidale hyperplastische Polypen machen mehr als 80 % aller Läsionen aus. Würde bei geeigneten Patient:innen sicher auf Histopathologie und unnötige Polypektomien verzichtet werden können, wären erhebliche ökonomische Einsparungen – Schätzungen reichen von 33 bis 150 Mio. USD pro Jahr – sowie eine Reduktion von möglichen Komplikationen möglich.⁷
Der bislang am deutlichsten belegte Vorteil von CADx liegt allerdings weniger in einer dramatisch besseren Diagnostik als in der diagnostischen Sicherheit der Untersucher:innen. In der Multicenter-Studie von Barua et al. stieg der Anteil hochkonfidenter Diagnosen durch den Einsatz von CADx von 74,2 % auf 92,6 %. Sensitivität und Spezifität verbesserten sich dagegen nur geringfügig und nicht signifikant.^7, 8 Gerade deshalb kommt der Erfahrung der Endoskopiker:innen eine entscheidende Bedeutung zu. Eine prospektive Studie von Bernhofer et al. verglich die optische Diagnostik von Auszubildenden mit KI-Unterstützung mit jener von Expert:innen ohne KI-Unterstützung.⁹Der NPV für adenomatöse Histologie für diminutive, rektosigmoidale Polypen war in beiden Gruppen vergleichbar und erreichte den Schwellenwert von 90 %, was die Anwendung der Diagnose-and-leave-Strategie ermöglicht. Die Ergebnisse verdeutlichen, dass der zusätzliche Nutzen von CADx nicht einfach gegenüber einer durchschnittlichen menschlichen Leistung bewertet werden sollte. Entscheidend ist vielmehr der Vergleich mit erfahrenen Endoskopiker:innen. Denn während der zusätzliche Nutzen bei Expert:innen begrenzt sein kann, könnte KI insbesondere weniger erfahrene Untersucher:innen unterstützen.

Wo liegen die Grenzen?

So vielversprechend die Ergebnisse sind – KI ist auch in der Endoskopie kein Selbstläufer.

Mehr Detektion bedeutet nicht automatisch bessere Versorgung: Unter CADe werden zwar mehr Adenome erkannt, gleichzeitig aber auch mehr nichtneoplastische Polypen entfernt. Die Zahl der abgetragenen nichtneoplastischen Polypen steigt von 0,34 auf 0,52 pro Koloskopie – etwa 2 zusätzliche Resektionen pro 10 Untersuchungen.^4, 10 Damit können zusätzliche Kosten, Untersuchungszeit und potenzielle Komplikationen einhergehen. Darüber hinaus ist der Anstieg der ADR in erster Linie auf die Erkennung kleiner Läsionen zurückzuführen – die Zahl der entdeckten fortgeschrittenen Adenome erhöht sich unter der KI-Anwendung nicht.¹¹

Klinische Endpunkte und Übertragbarkeit in den Klinikalltag: Der entscheidende klinische Endpunkt ist bislang offen. Die meisten Studien untersuchen Surrogatparameter wie ADR oder Miss-Raten. Ob die durch CADe verbesserte Detektion tatsächlich zu weniger Intervallkarzinomen oder einer geringeren krebsspezifischen Mortalität führt, ist bislang nicht belegt.^10, 12 Mehr entdeckte Adenome sind ein plausibles gutes Zeichen – sie sind aber noch kein Nachweis eines verbesserten Überlebens.
Auch die Übertragbarkeit in den klinischen Alltag ist nicht eindeutig. Während randomisierte Studien überwiegend einen Vorteil von CADe zeigen, konnten nichtrandomisierte Real-World-Studien keinen konsistenten Anstieg der ADR nachweisen. Eine pragmatische clusterrandomisierte Studie der US Veterans Health Administration zeigte wiederum einen Anstieg der ADR von 51,1 % auf 54,9 %.^5, 13–14 Die tatsächliche Effektstärke im Alltag dürfte daher von Untersucher:in, Setting, Patientenkollektiv und verwendeter Technologie abhängen.
Bei CADx ist der zusätzliche Nutzen bislang begrenzt. Eine Metaanalyse zur Leave-in-situ-Strategie bei Polypen ≤ 5 mm fand keinen klaren inkrementellen Vorteil von CADx gegenüber der konventionellen optischen Beurteilung.⁵ Auch hier scheint die Erfahrung der Untersucher:inneneine zentrale Rolle zu spielen.

Technologische und menschliche Faktoren: Falsch-positive Markierungen können die Aufmerksamkeit der Endoskopiker:innen binden und zu unnötigen Eingriffen führen. Gleichzeitig besteht die Gefahr eines sogenannten Cognitive Offloading (kognitive Entlastung): Verlassen sich die Untersucher:innen zu stark auf die Maschine, könnten darunter langfristig diagnostische Fähigkeiten und eigenständige Entscheidungsprozesse leiden – ein mögliches Deskilling.^{12, 13–14}

Rahmenbedingungen und offene Fragen: Schließlich wirft der Einsatz von KI Fragen auf, die über die reine diagnostische Genauigkeit hinausgehen. Wer trägt die Verantwortung, wenn eine von der KI nicht erkannte Läsion belassen wird? Wie lässt sich mit einem Polypen umgehen, den die KI als harmlos einstuft, der sich später aber als neoplastisch erweist? Hinzu kommen Fragen der Datenhoheit, Datenschutz- und Governance-Strukturen sowie mögliche Verzerrungen durch nichtdiverse Trainingsdatensätze.^7, 15
Auch auf systemischer Ebene fehlt es noch an klaren Standards. Welche klinischen Endpunkte sollten für KI-Systeme verpflichtend nachgewiesen werden? Wie transparent und erklärbar müssen die Algorithmen sein? Und wie sollen KI-gestützte Leistungen vergütet werden? Für diese Fragen existieren bislang keine einheitlichen Lösungen.^16, 17

Fazit

KI hat das Potenzial, die Koloskopie grundlegend zu verändern – allerdings nicht dadurch, dass sie die Endoskopiker:innen ersetzt, sondern indem sie deren Stärken ergänzt. Am überzeugendsten ist derzeit die Evidenz für CADe. Die Technologie erhöht die Adenomdetektionsrate und reduziert die Rate übersehener Läsionen reproduzierbar.^3, 10 Dieser Gewinn wird allerdings mit einer erhöhten Detektion und Abtragung nichtneoplastischer Polypen erkauft. Ob sich die bessere Detektion letztlich auch in weniger Intervallkarzinomen und einer geringeren Mortalität niederschlägt, muss erst noch gezeigt werden.¹⁰ CADx eröffnet darüber hinaus die Perspektive einer präziseren und ressourcenschonenderen optischen Diagnostik. Der bislang klarste Vorteil liegt jedoch in einer höheren diagnostischen Konfidenz und weniger in einer deutlichen Steigerung von Sensitivität und Spezifität.^5, 8
Die entscheidende Frage lautet daher nicht, ob KI in der Endoskopie eingesetzt werden sollte, sondern wie. Erfolgreiche Implementierung wird davon abhängen, dass KI als Assistenzsystem verstanden wird und nicht als Ersatz klinischer Expertise. Notwendig sind robuste Real-World-Validierungen, eine konsequente Reduktion von Bias, Strategien gegen Deskilling sowie klare regulatorische, medikolegale und vergütungsbezogene Rahmenbedingungen.^12, 15Die Zukunft der KI in der Endoskopie dürfte somit weniger in der „automatisierten Koloskopie“ liegen als in einer intelligenten Arbeitsteilung: Die Maschine sucht mit – die klinische Entscheidung bleibt beim Menschen.