Digitale Pathologie & Schnittbildanalyse

Pathologinnen und Pathologen diagnostizieren Krebs und viele andere Erkrankungen, indem sie Glasobjektträger unter dem Mikroskop beurteilen - eine knappe, arbeitsintensive Fähigkeit. Sind die Schnitte erst zu Gigapixel-Ganzschnittbildern (WSI) gescannt, kann KI auf Krebs vorscreenen, Zellen zählen, Tumoren graduieren, Biomarker bewerten und dringliche Fälle priorisieren. Die Verantwortung für die Diagnose bleibt bei der Pathologin bzw. dem Pathologen; die KI dient als Zweitleser und als Quantifizierungswerkzeug. In der EU bedeutet das CE-gekennzeichnete In-vitro-Diagnostika-Software nach IVDR plus Hochrisiko-Pflichten nach der KI-Verordnung.

Problem & Nutzen

• Heute: Gewebe wird geschnitten, gefärbt und von einer Pathologin bzw. einem Pathologen am Mikroskop untersucht. Personalmangel, steigende Krebsfallzahlen und wachsende Biomarker-Panels (Immuntherapie, zielgerichtete Therapie) führen zu Rückständen. Graduierung und manuelles Zählen (Mitosen, Ki-67, PD-L1) zeigen Unterschiede zwischen den Untersuchenden.
• KI-Nutzen: Sicherheitsnetz durch Zweitbefundung (z. B. übersehene kleine Krebsherde in Prostatabiopsien), Triage von negativen gegenüber verdächtigen Fällen, reproduzierbare Quantifizierung, weniger Nachschnitte und Zusatzfärbungen sowie Messwerte, die für das Tumorboard bereit sind. Veröffentlichte Reader-Studien und von Herstellern berichtete Einsätze zeigen Vorteile bei Arbeitsaufwand und Konsistenz; die Effektgrößen hängen stark von Gewebeart und Standort ab, daher lokal messen.
• Voraussetzung: Der Nutzen entsteht erst, wenn ein digitaler Arbeitsablauf besteht (Scanner, Bildmanagementsystem, Speicher, LIS-Anbindung). Die Digitalisierung selbst ist die größere Investition; KI ist eine Ergänzung dazu [1][2].

Varianten

• Diagnostische Entscheidungsunterstützung: Biopsien von Prostata, Brust, Darm, Lunge, Magen, Haut (Krebserkennung, Graduierung).
• Quantitative IHC-/Biomarker-Bewertung: HER2, Ki-67, ER/PR, PD-L1, Claudin-18.2; im Stil von Begleitdiagnostika.
• Triage und Qualitätskontrolle: Unschärfe, Falten, fehlendes Gewebe, falsche Färbung markieren; Arbeitsliste priorisieren.
• Zytologie: Zervix-Screening sowie Urin-/Schilddrüsenzytologie (siehe auch HLTH-026 zur Labordiagnostik).
• Einsatz in Pharma / Forschung (RUO): Biomarker-Entdeckung, toxikologische Pathologie, Endpunkte klinischer Studien (siehe HLTH-017, SCI-009). Unterliegt nicht den Regeln der klinischen Diagnostik, darf aber nicht klinisch weiterverwendet werden.
• Foundation-Modelle der computergestützten Pathologie: Embeddings auf Schnittebene für Suche, Vorhersage des molekularen Status und Befundentwürfe.
• Veterinärpathologie: gleiche Technik außerhalb der IVDR (siehe HLTH-016).

So funktioniert es

1. glass slide
2. scanner (WSI, DICOM/vendor format)
3. image management system / PACS
4. quality control (focus, tissue detection, stain check)
5. tiling into patches (e.g. 224-512 px at 20x/40x)
6. foundation-model encoder
7. patch embeddings
8. task head: multiple-instance learning (attention aggregation) for slide-level labels | segmentation/detection for cells and regions
9. heatmap + score + confidence
10. viewer overlay in pathology workstation
11. pathologist review, accepts/edits/rejects
12. signed-out report in LIS

• Foundation-Modelle: selbstüberwachte Vision Transformer, vortrainiert auf Hunderttausenden bis Millionen von Schnitten, erzeugen wiederverwendbare Patch-Merkmale; nachgelagerte Köpfe benötigen weit weniger Labels als ein Training von Grund auf.
• Aggregation: Da ein Schnitt keine Labels auf Pixelebene hat, ist schwach überwachtes Multiple-Instance-Learning Standard.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Pathologin bzw. der Pathologe stellt die Diagnose und zeichnet sie ab. Das KI-Ergebnis wird als Überlagerung oder Hinweis angezeigt; Abweichungen werden protokolliert. Seltene Entitäten und ungewöhnliche Befunde erfordern immer einen Menschen.

Datenaufbereitung

Die Daten sind Ganzschnittbilder (WSI) aus Objektträger-Scannern, typischerweise je 1-5 GB, dazu Falldaten aus dem LIS und pathologische Befunde. Viele Institute arbeiten noch mit Glasobjektträgern, daher ist die Digitalisierung selbst der erste Schritt. Typische Lücken: kein oder nur teilweises Scannen der Schnitte, proprietäre Scanner-Formate, uneinheitliche Färbungen und Farbprofile der Scanner, unscharfe Bereiche, fehlende Barcodes oder Fallverknüpfungen, unstrukturierte Freitext-Befunde und sehr hoher Speicherbedarf.

Schritte der Aufbereitung: (1) routinemäßiges Scannen einrichten und jeden Schnitt per Barcode mit seinem LIS-Fall verknüpfen; (2) proprietäre Formate in ein gemeinsames Format umwandeln und in einem Bildmanagementsystem oder einem PACS mit Pathologie-Unterstützung speichern; (3) die Scanqualität automatisch prüfen (Fokus, Gewebeerkennung); (4) Standards für Färbung und Scanner vereinbaren oder über sie hinweg validieren; (5) für Training oder Validierung annotierte Referenzdatensätze mit Pathologinnen und Pathologen aufbauen (PREP-018, PREP-019) und Labels aus unterzeichneten Befunden mit Vorsicht gewinnen (PREP-020, PREP-021); (6) Schnittbeschriftungen und Metadaten pseudonymisieren (PREP-022); (7) Speicher und Aufbewahrung planen; zu papierbasierten Fallarchiven siehe PREP-006.

Aufwand: hoch. Scan-Ablauf, Speicher und Annotation dominieren; der Kauf eines zertifizierten Produkts verringert die Annotation, nicht aber den Digitalisierungsaufwand. Siehe GUIDE-003 und DATA-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Pathologie-Institut, Laborgruppe): Weg A, weil zertifizierte KI für digitale Pathologie existiert, die in Schnittscanner und LIS integriert ist und die regulatorische Last trägt.
• Öffentlicher Sektor (universitäre oder kommunale Pathologie): Weg A mit zertifizierten Produkten, weil das Vergaberecht nachvollziehbare Anbieter begünstigt; Forschungsnutzung baut auf offenen Werkzeugen auf.
• Entwickler: Weg C, weil quelloffene Werkzeuge für Ganzschnittbilder und Foundation-Modelle auf eigenen GPUs laufen und Patientenschnitte im Haus bleiben.

Weg A — Kaufen (Standardsoftware)

• Klinische, CE-gekennzeichnete KI (aktuellen IVDR-/MDR-Status je Produkt prüfen): Paige (2025 von Tempus AI übernommen; Paige Prostate und Plattform), Ibex Medical Analytics (Galen Prostate/Breast), Aiforia, Visiopharm, Indica Labs (HALO AP), Philips (IntelliSite/Pathology Suite mit KI-Apps), Roche (navify Digital Pathology und Algorithmen- Suite), Mindpeak (DE, IHC-Bewertung bei Brustkrebs), Aignostics (DE, Ausgründung der Charité), Owkin (FR), Deep Bio, Lunit (SCOPE). Anbieter mit Sitz in der EU: Mindpeak, Aignostics, Aiforia (FI), Owkin, Visiopharm (DK).
• Bildmanagement / Plattform: Sectra (SE), Proscia Concentriq, Philips, Leica/Aperio (Leica Biosystems), Hamamatsu, 3DHistech (HU) Scanner und Viewer; offene Standards sind DICOM-WSI und herstellerneutrale Viewer.
• Weg A wählen, wenn: das Ziel der klinische Einsatz ist. Nur ein zertifiziertes Produkt bietet die vom Hersteller festgelegte Zweckbestimmung, die Leistungsnachweise und die Haftung, die ein Labor braucht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Cloud-Speicher/DICOM-Speicher mit EU-Regionen (z. B. Azure Health Data Services, Google Cloud Healthcare API, AWS HealthImaging) und verwaltete GPU-Inferenz für Forschungs-Pipelines.
• Allgemeine multimodale LLMs können Befundtexte aus strukturierten Ergebnissen entwerfen, eignen sich aber nicht dazu, Schnitte diagnostisch zu interpretieren. Nur für Forschung oder Unterstützung bei der Befundsprache nutzen (siehe HLTH-011).
• Weg B wählen für Forschung, Pharma-RUO-Abläufe und Infrastruktur; nicht für undokumentierten klinischen Einsatz.

Weg C — Selbst betreiben (Open Source)

• Viewer/Analyse: QuPath (Open Source, weit verbreitet für Zellerkennung und Annotation), OpenSlide, openslide-python, TIAToolbox, Cytomine, Orthanc/dcm4chee mit DICOM-WSI, MONAI.
• Offene Foundation-Modelle (Gewichte oft unter Forschungs- oder beschränkten Lizenzen, Bedingungen prüfen): UNI/UNI2 und CONCH (Mahmood Lab, Harvard), Virchow/Virchow2 (Paige/Microsoft), Prov-GigaPath (Microsoft/Providence), CTransPath, Phikon (Owkin, FR), H-optimus (Bioptimus, FR) und Atlas (Aignostics). Pipelines wie CLAM, TRIDENT und Kaikos eva unterstützen Köpfe auf Schnittebene.
• Hardware: HW2 kann Patch-Embeddings bei mittleren Volumina berechnen; HW3 (GPU mit 48-141 GB) für schnelles Embedding ganzer Archive und größere Encoder. Der Speicher ist die Hauptbeschränkung: Ein einzelnes WSI umfasst typischerweise Hunderte MB bis mehrere GB, daher braucht ein Archiv gestuften Speicher.
• Selbst gebaute Werkzeuge für die Diagnose gelten als hausinterne Produkte (IVDR Art. 5 Abs. 5, siehe Risiken).

Weg D — Eigenes Training

Lohnt sich für seltene Entitäten, lokale Färbe-/Scanner-Bedingungen oder eine Forschungsfrage. Erfordert Hunderte bis Tausende von durch Fachleute annotierten oder mit Ergebnissen verknüpften Schnitten aus mehreren Scannern und Standorten, Labels auf Schnittebene sowie einen zurückgehaltenen externen Validierungsdatensatz. Feintunen Sie den Kopf eines Foundation-Modells, statt einen Encoder zu trainieren. Färbungsnormalisierung und Augmentierung verringern die Scanner-Verschiebung. Die Daten-Governance (Ethikvotum, Einwilligung oder Rechtsgrundlage, Pseudonymisierung) ist meist der schwierigste Schritt.

Stand der Technik (2026)

• Foundation-Modelle sind zum Standard-Unterbau der computergestützten Pathologie geworden; große öffentliche Benchmarks und unabhängige Auswertungen zeigen starke Krebserkennung und Subtypisierung, bei schwächeren und weniger einheitlichen Ergebnissen für seltene Krebsarten, Prognose und Vorhersage des molekularen Status.
• Vision-Language- und agentische Modelle: Schnitt-Text-Modelle im Stil von CONCH ermöglichen Suche und Zero-Shot- Klassifikation; multimodale Pathologie-Copiloten entstehen, sind aber meist auf Forschungsniveau.
• Regulatorische Meilensteine: Die ersten KI-Pathologieprodukte erhielten FDA-De-Novo-Zulassung bzw. Freigabe (Paige Prostate 2021), und mehrere CE-gekennzeichnete Produkte bestehen unter IVDD/IVDR; die digitale Primärdiagnose ist in vielen Ländern inzwischen anerkannte Praxis, und es gibt nationale Programme in großem Maßstab [1][3].
• Grenzen und Fehlerbilder: Domänenverschiebung (neuer Scanner, Färbeprotokoll, Labor), Artefakte (Falten, Stift- markierungen), Übervertrauen/Automationsbias, seltene Tumoren, schlechte Kalibrierung, Shortcut-Learning durch standortspezifische Schnittmerkmale sowie hohe Speicher- und Rechenkosten. Die Leistung in einem Labor überträgt sich nicht automatisch; eine lokale Verifizierung ist unerlässlich.

Gemeinsame Bausteine & Kombinationen

• Bildgebungs-Stack gemeinsam mit HLTH-001 (Radiologie), HLTH-006 (Dermatologie/Augenheilkunde), HLTH-026 (Labordiagnostik), HLTH-014 (Zahnmedizin): DICOM-Speicher, Viewer, GPU-Inferenzserver (HW3) und MLOps für Medizinprodukte-Software.
• Embeddings von Foundation-Modellen lassen sich mit Genomik (SCI-009) und Patientenakten (HLTH-018) für multimodale Prognosen kombinieren; mit HLTH-009 für das Matching von Studienpatienten; mit HLTH-017 für Zulassungsunterlagen.
• Terminologie und Interoperabilität: SNOMED CT/LOINC, synoptische Befundung, FHIR-/DICOM-Mapping (HLTH-028).
• Synthetische Daten / Augmentierung: siehe DATA-005 (mit Vorsicht nutzen: Synthetische Schnitte ersetzen keine Validierung).

Aufwand, Kosten & Kennzahlen

• Weg A: 6-18 Monate einschließlich Scanner-Einführung, IT-Integration, Validierung und Schulung. Größte Kostenpunkte: Scanner, Speicher, Change-Management; Gebühren pro Fall oder Lizenzgebühren für KI-Module.
• Weg B/C: Forschungs-Pipeline in 2-4 Monaten; eine hausinterne Entwicklung auf klinischem Niveau dauert mit Qualitätssicherung und regulatorischer Arbeit ein Jahr oder länger.
• Kennzahlen: Sensitivität/Spezifität gegenüber der Konsensdiagnose, Übereinstimmung (Kappa) zwischen Pathologinnen und Pathologen mit und ohne KI, Durchlaufzeit, Anteil der Fälle mit Nachschnitten/Zusatzfärbungen, gescannte Schnitte pro Tag, Scan-Fehler- und Wiederholungsrate, Zeitaufwand der Pathologin bzw. des Pathologen pro Fall, Konkordanz-Überwachung nach dem Produktivstart.

Menschen & Veränderung

Geschäftsleitung und Leitung der Pathologie verantworten die Entscheidung, denn der Anwendungsfall erfordert meist eine Scanner-Investition und einen veränderten Arbeitsablauf. Beziehen Sie Pathologinnen, Pathologen und biomedizinische Analytikerinnen und Analytiker früh ein, die IT für Speicher-, Scanner- und LIS-Anbindung sowie die IT-Sicherheit für das Netzwerk. Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte prüft Rechtsgrundlage, AVV mit dem KI-Anbieter und eine DSFA, die bei Gesundheitsdaten in großem Umfang wahrscheinlich nötig ist (GUIDE-005). Dateneigentümer des Schnittarchivs und, bei Wiederverwendung für Forschung, die Ethikkommission stoßen hinzu, bevor Daten das Institut verlassen.

Betriebsrat: abhängig vom Einzelfall. Wo einer besteht, ist eine rechtzeitige Information erforderlich (§ 90 Abs. 1 Nr. 3 BetrVG). Die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG wird wahrscheinlich, wenn das System aufzeichnet, welche Pathologin bzw. welcher Pathologe was geprüft oder geändert hat, da die objektive Eignung zur Überwachung genügt. Öffentliche Institute beziehen den Personalrat ein (GUIDE-004).

KI-Kompetenz: Unterstützen Sie Pathologinnen, Pathologen und Analytiker mit Schulungen zu typischen Fehlern, Schnitten außerhalb der Trainingsverteilung und Automationsbias (GUIDE-006). Wählen Sie eine Pilotgruppe von zwei bis drei Pathologinnen und Pathologen und eine Organart, und betreiben Sie die KI als Zweitleser neben der normalen Diagnostik (GUIDE-009). Bedenken sind Haftung, Kompetenzverlust und die Angst, ersetzt zu werden: Lassen Sie die Pathologin bzw. den Pathologen alleinige Diagnostikerin bzw. alleinigen Diagnostiker bleiben, machen Sie jede KI-Markierung am Schnitt überprüfbar und kommunizieren Sie offen, dass das Werkzeug keine Einzelpersonen bewertet (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Diagnostische KI ist ein Medizinprodukt bzw. IVD, das eine Konformitätsbewertung durch Dritte erfordert, daher Hochrisiko nach Art. 6 Abs. 1 mit Anhang I (MDR/IVDR). Die Hochrisiko-Pflichten für solche Produkte gelten ab dem 2. August 2028 (verschoben durch den Digital Omnibus on AI, Verordnung (EU) 2026/1744). Pflichten der Betreiber: menschliche Aufsicht, Protokollführung, KI-Kompetenz (Art. 4) [4].
• IVDR (EU 2017/746): Software mit diagnostischer Zweckbestimmung ist ein IVD; die meiste solche Software gehört zu Klasse B oder C, daher ist eine Benannte Stelle beteiligt. Labore, die eigene Werkzeuge bauen, fallen unter die Ausnahme für Eigenherstellung (Art. 5 Abs. 5) mit Bedingungen (QMS, Begründung, kein gleichwertiges CE-Produkt auf dem Markt) [5].
• DSGVO: Schnitte und verknüpfte Daten sind Gesundheitsdaten (Art. 9); erforderlich sind Rechtsgrundlage, DSFA, Pseudonymisierung, Auftragsverarbeitungsverträge, Hosting in der EU/keine unsicheren Übermittlungen. Die Zweitnutzung für Training braucht Einwilligung, Forschungs- privileg oder nationales Recht (z. B. EHDS, nationale Gesundheitsdatengesetze); WSIs können Beschriftungen mit Kennungen enthalten.
• Sonstiges: Verordnung zum Europäischen Gesundheitsdatenraum für die Zweitnutzung; nationale Pathologie-Standards und Akkreditierung (ISO 15189); klinische Validierung nach Leitlinien wie denen des CAP/College of American Pathologists und der RCPath zur digitalen Pathologie.
• Gegenmaßnahmen: lokale Validierung vor dem Produktivstart, laufende Leistungsüberwachung, Änderungskontrolle bei Scanner und Färbung, Freigabe durch die Pathologin bzw. den Pathologen, Audit-Log von KI-Ergebnis gegenüber endgültiger Diagnose, Prüfung auf Verzerrungen über demografische Gruppen.

Erste Schritte

1. Reife bewerten: Fallvolumen, Subspezialitäten, vorhandene Scanner, LIS und Speicher; einen Anwendungsfall festlegen (z. B. Zweitbefundung von Prostatabiopsien).
2. Ein CE-gekennzeichnetes Produkt an retrospektiven Fällen des eigenen Labors erproben; Sensitivität, Spezifität und Zeitaufwand messen.
3. Governance aufsetzen: DSFA, Ethik/Rechtsgrundlage, Regeln zu Zweckbestimmung und Aufsicht, Validierungsprotokoll.
4. Für Forschung QuPath mit einem öffentlichen Foundation-Modell (UNI/CONCH/Virchow2) an einem kleinen öffentlichen Datensatz wie TCGA oder Camelyon ausprobieren.
5. Zuerst im Schattenmodus in Betrieb gehen, dann beaufsichtigt nutzen und die Konkordanz monatlich überwachen.

Quellen

1. College of American Pathologists / RCPath digital pathology validation guidance — https://www.rcpath.org/profession/digital-pathology.html
2. Regulation (EU) 2017/746 (IVDR) — https://eur-lex.europa.eu/eli/reg/2017/746/oj
3. FDA — De Novo for Paige Prostate (DEN200080) — https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/denovo.cfm
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. QuPath open-source software — https://qupath.github.io/
6. UNI / CONCH foundation models (Mahmood Lab) — https://github.com/mahmoodlab/UNI
7. Virchow2 foundation model (Paige) — https://huggingface.co/paige-ai/Virchow2
8. Prov-GigaPath, Nature 2024 — https://www.nature.com/articles/s41586-024-07441-w
9. European Health Data Space regulation — https://health.ec.europa.eu/ehealth-digital-health-and-care/european-health-data-space_en