Gebärmutterkrebs – das Endometriumkarzinom – ist eine der häufigsten gynäkologischen Krebsarten. Meist entwickeln sich Endometriumkarzinome nach der Menopause. Die Erkrankungszahlen nehmen zu, vermutlich aufgrund von Lebensstilveränderungen. Als wichtige Ursache gilt die zunehmende Verbreitung von Übergewicht und Adipositas. Laut der Globalen Krebsstatistik 2018 erkrankten weltweit rund 380.000 Frauen an Gebärmutterkrebs – mit ungefähr 90.000 Todesfällen.
Entscheidend für die Behandlung und Prognose von Endometriumkarzinomen ist eine rechtzeitige Diagnose der Krebserkrankung. Allerdings sind die frühen Symptome bei dieser Krebsart – vor allem ungewöhnliche Blutungen – oft wenig spezifisch. Das heißt, sie können auch im Rahmen anderer gynäkologischer Erkrankungen vorkommen. Dies birgt das Risiko, dass Tumore übersehen werden oder nicht sofort die richtige Diagnose gestellt wird.
- Untersucht wurde, wie gut die KI bei der Diagnostik von Gebärmutterkrebs abschneidet.
- Die Analyse beleuchtete die KI-Methoden des Deep Learning und maschinellen Lernens.
- Die KI erkannte 86 Prozent der Fälle von Gebärmutterkrebs. Bei 92 Prozent der gesunden Frauen erkannte sie, dass kein Endometriumkarzinom vorliegt. Damit sei die KI sehr zuverlässig und eine hilfreiche Unterstützung für Ärztinnen und Ärzte.
- Weitere Studien mit mehr Frauen und Daten müssten folgen.
Eine Forschungsgruppe um Longyun Wang von der Jilin University, Changchun, China fand in einer Studie heraus, dass die Künstliche Intelligenz (KI) Ärztinnen und Ärzte bei der Diagnostik von Gebärmutterkrebs unterstützen kann. Ein KI-basiertes Screening lieferte zuverlässige Ergebnisse, ob ein bösartiger Tumor in der Gebärmutter vorlag oder nicht. „Die KI konnte 86 Prozent der Endometriumkarzinome ausfindig machen und 92 Prozent der Frauen ausschließen, die keinen Gebärmutterkrebs hatten“, schreibt das Forschungsteam. Die Studienergebnisse wurden im Fachmagazin Journal of Medical Internet Research veröffentlicht.
Recherche in medizinischen Datenbanken
Die Forschungsgruppe hatte eine Literaturrecherche in fünf medizinischen Datenbanken durchgeführt: PubMed, Embase, Cochrane Library, Web of Science und Scopus. Gesucht wurde nach den Stichwörtern „Gebärmutterkrebs“ und „Künstliche Intelligenz“ sowie nach Synonymen für Gebärmutterkrebs, weiteren Schlüsselbegriffen und verwandten Wörtern. In die Metaanalyse gingen schließlich insgesamt 13 Studien ein, die zwischen 2017 und 2022 hauptsächlich in asiatischen Ländern, aber auch in Italien, Griechenland, Canada und den USA durchgeführt worden waren. Insgesamt waren 6.400 Probandinnen und 438.617 Gewebeproben in die Analyse eingeschlossen.
Deep Learning und maschinelles Lernen als KI-Werkzeuge
- Maschinelles Lernen ist ein Teilbereich der KI. Computer lernen dabei selbstständig ohne spezielle Programmierung, Muster und Zusammenhänge in Daten zu erkennen, Sie erkennt dann Muster eigenständig anhand von Trainingsdaten.
- Deep Learning ist ein Teilbereich des maschinellen Lernens und der KI. Die Basis sind künstliche neuronale Netze, welche die Funktionsweise des menschlichen Gehirns nachahmen. Das Deep Learning hilft, komplexe Aufgaben wie die Bilderkennung zu lösen.
In sieben Studien wurde das Prinzip des Deep-Learning genutzt, in sechs Studien das maschinelle Lernen. Insgesamt kamen sieben verschiedene KI-Modelle zum Einsatz, am häufigsten neuronale Netzwerke, aber auch Random Forst, ein Algorithmus für maschinelles Lernen. Zwei Studien nutzten die Histopathologie (Gewebeproben), neun Studien die Diagnose von Expertinnen und Experten als Vergleichsstandard und bei zwei Studien wurde kein solcher Referenzstandard definiert.
KI liefert zuverlässige Ergebnisse
Die Forschungsgruppe bewertete die Sensitivität und Spezifität der eingesetzten KI-Algorithmen. Beide Werte lassen Rückschlüsse auf die Qualität des Algorithmus und der Daten zu.
- Unter der Sensitivität versteht man die „Feinfühligkeit“ der KI und ihre Fähigkeit, echte Treffer zu erkennen, also in diesem Fall eine Gebärmutterkrebserkrankung.
- Die Spezifität besagt dagegen, wie gut die KI gesunde Personen ohne Gebärmutterkrebs erkennen kann.
In der Metaanalyse betrug die Sensitivität der KI 86 Prozent und die Spezifität 92 Prozent. „KI-basierte Screenings auf Gebärmutterkrebs können Frauen mit Endometriumkarzinomen effektiv erkennen“, schlussfolgern die Forschenden. Besonders das Deep Learning habe das Potenzial, ein frühes Screening auf Endometriumkarzinome zu unterstützen. In einer separaten Auswertung schnitt das Deep Learning mit 90 Prozent Sensitivität und 94 Prozent Spezifität laut der Forschenden besonders vielversprechend ab.
Studie besitzt auch Grenzen
Die Studie besitze aber auch einige Einschränkungen, so das Forschungsteam. Es gab zum Beispiel keine ausreichenden Daten zur Auswahl der Patientinnen, zu Prozessen und Zeitabläufen, sodass eine Verzerrung der Ergebnisse möglich sei. Außerdem hätten die Studien nicht vollständig den Standards für Studien zur diagnostischen Genauigkeit entsprochen. Zukünftig seien große Bevölkerungsstudien nötig, um die Genauigkeit eines KI-Screenings auf Gebärmutterkrebs zu klären, schreiben sie.
Wie KI in der Gebärmutterkrebs-Diagnostik nutzbar sein könnte
In der Diagnostik von Gebärmutterkrebs kommen verschiedene Untersuchungen zum Einsatz, zum Beispiel Ultraschall, eine Gewebeentnahme (Biopsie) sowie weitere bildgebende Verfahren wie die Computertomographie (CT) und Magnetresonanztomographie (MRT). Die Interpretation dieser Bilder kann eine ärztliche Herausforderung und zudem zeitaufwändig sein. Es besteht die Gefahr von falsch-negativen Ergebnissen, bei denen ein Endometriumkarzinom nicht erkannt wird. Möglich ist auch das Gegenteil, nämlich ein falsch-positives Ergebnis. Dann stellt sich nach weiteren Untersuchungen heraus, dass kein bösartiger Tumor vorliegt. Für betroffene Frauen kann diese Zeit der Unsicherheit seelisch belastend sein. Auch Überdiagnosen und Übertherapien sind möglich. Dann wird ein Tumor erkannt und behandelt, der zu Lebzeiten womöglich keine Problemen verursacht hätte.
Bei dieser Krebsdiagnostik könnte die KI Hilfestellung leisten und mehr Klarheit bringen. Sie kann zum Beispiel Ultraschall-, CT- oder MRT-Bilder von Endometriumkarzinomen analysieren und Radiologinnen und Radiologen dabei unterstützen, Gebärmutterkrebs besser zu erkennen. Auch die Struktur und Veränderungen von Geweben lassen sich mittels KI eventuell besser einzuordnen.
Auch Pathologinnen und Pathologen könnten von KI profitieren, weil sie eine Hilfe bei der genauen Einstufung von Gewebeproben sein könnte. Die KI-Analyse könnte zum Beispiel Informationen über besondere Merkmale der Krebszellen liefern und bei der Klassifikation von Tumoren Unterstützung bieten. Die pathologische Diagnose könnte somit schneller und genauer werden. Darüber hinaus könnte ein KI-basiertes Screening neue Wege eröffnen, um die Früherkennung dieser Krebsart zu verbessern.
- Wang L, Wang Z, Zhao B, Wang K, Zheng J, Zhao L. Diagnosis Test Accuracy of Artificial Intelligence for Endometrial Cancer: Systematic Review and Meta-Analysis. J Med Internet Res. 2025 Apr 18;27:e66530. doi: 10.2196/66530. PMID: 40249940; PMCID: PMC12048793.
- Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R.L., Torre, L.A. and Jemal, A. (2018), Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 68: 394-424. https://doi.org/10.3322/caac.21492
NP-DE-AOU-WCNT-260014 (07/26)
Mit freundlicher
Unterstützung von GlaxoSmithKline
Die Informationen auf dieser Seite können eine professionelle Beratung durch ausgebildete und anerkannte Ärztinnen und Ärzte nicht ersetzen. Auch dienen sie nicht dazu, eigenständig eine Diagnose zu stellen oder eine Therapie einzuleiten.
