KI-gestützte Labordiagnostik (Blutzellmorphologie, Auswertung mikrobiologischer Platten, Urinsediment)

Die Routine-Labormedizin hängt weiterhin von geschulten Fachkräften ab, die Ausstriche, Platten und Sedimentbilder ansehen. Bildklassifikationsmodelle sortieren diese Bilder inzwischen vor: Sie schlagen die Zellklasse vor, markieren Platten ohne Wachstum oder mit vermuteten Erregern und klassifizieren Urinpartikel, sodass Menschen validieren, statt zu suchen. Die Software wird in regulierten Analysator- und Laborautomationssystemen (IVDR-Produkte) ausgeliefert, nicht als freistehender Chatbot; das macht dies zu einem Anwendungsfall des Typs „kaufen und integrieren".

Problem & Nutzen

• Heute: Ein manuelles 100-Zellen-Differentialblutbild an einem gefärbten Ausstrich dauert pro Objektträger Minuten; Kulturplatten werden bebrütet, an einen Arbeitsplatz getragen und mit dem Auge gelesen, oft mehrfach; Urinsediment wird nach Analysator-Flags begutachtet. Die Arbeit ist repetitiv, schichtabhängig und personell unterbesetzt, und die Unterschiede zwischen verschiedenen Befundern sind gut dokumentiert.
• KI-Nutzen: Das Gerät lokalisiert und klassifiziert Zellen vor, die Fachkraft bestätigt oder klassifiziert am Bildschirm um. Negative Platten (oft die Mehrheit bei Urin- und Screening-Kulturen) können früh aussortiert werden, sodass sich Menschen auf positive oder unklare Platten konzentrieren. Digitale Bilder ermöglichen zudem Fernbefundung, Schulung und Zweitmeinungen.
• Belege: Begutachtete Vergleiche des Sysmex/CellaVision DI-60 zeigen eine gute Übereinstimmung mit manuellen Zählungen bei gängigen weißen Zellklassen und eine verbesserte Übereinstimmung nach Verifikation durch die Fachkraft, bei schwächerer Leistung für seltene oder abnorme Zellen und Körperflüssigkeiten [1][2]. Herstellerangaben zu Durchsatz oder eingesparter Handarbeitszeit unterscheiden sich je nach Labor und sollten vor Ort neu gemessen werden.

Varianten

• Blutzellmorphologie: Differentialblutbild der Leukozyten, Erythrozytenmorphologie (Anisozytose, Hypochromie, Schistozyten), Thrombozytenschätzung, Unterstützung beim Screening auf Malaria/Parasiten und Blasten; Körperflüssigkeitszytologie als Erweiterung.
• Auswertung mikrobiologischer Platten: Triage nach Wachstum/kein Wachstum, Koloniezählung, Farbklassifikation auf chromogenem Agar, vorläufige Identifikation, MRSA/VRE-Screening, Ablesen der Hemmhöfe im Antibiogramm (AST).
• Urinsediment: bildbasierte Partikelklassifikation aus Durchfluss-Bildgebungs- oder Mikroskopie-Analysatoren, kombiniert mit Teststreifen- und Durchflusszytometrie-Flags.

So funktioniert es

1. specimen + LIS order
2. preparation & staining / plating / sediment preparation (lab automation track)
3. imaging (smear scanner, plate imager at several incubation times, sediment microscope)
4. locate objects (cells, colonies, particles)
5. classify (CNN / transformer classifier)
6. rules engine (analyser flags, delta check, critical-value rules, age/ward)
7. pre-classified result on review screen (technologist confirms / reclassifies)
8. autoverification or manual release
9. LIS
10. clinician report
11. feedback of corrections for QC and model monitoring

• Modelle: Faltungsnetze (CNN) oder Vision-Transformer-Klassifikatoren, trainiert auf sehr großen, von Experten beschrifteten Bildsätzen von Zellen, Kolonien und Partikeln; Objekterkennung/Segmentierung zur Lokalisierung von Zellen und Kolonien. LLMs und VLMs werden höchstens für Befundtexte oder die Erklärung von Ausnahmen eingesetzt, nicht für die primäre Klassifikation.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine medizinisch-technische Laborassistenz (und bei Blasten/atypischen Zellen eine Hämatologin bzw. ein Hämatologe oder eine Mikrobiologin bzw. ein Mikrobiologe) validiert jedes Ergebnis, das nicht ausdrücklich zur Autoverifikation freigegeben ist. Regelbasierte Schwellenwerte entscheiden, was prüfpflichtig ist. Die Autoverifikation von Negativbefunden erfordert eine dokumentierte Validierung und die Freigabe durch die Laborleitung.

Datenaufbereitung

Hauptdaten sind Probenbilder aus Objektträger-Scannern, Plattenbildgebern und Sedimentmikroskopen sowie LIS-Aufträge und -Ergebnisse. Sie liegen in der Software des Geräteherstellers, im LIS und auf lokalen Dateifreigaben; die Referenzwahrheit steckt in den Umklassifizierungen der Fachkräfte und in hämatologischen oder mikrobiologischen Befunden.

Typische Lücken: Bilder in proprietären Formaten, uneinheitliche Färbe- oder Plattierprotokolle zwischen Standorten, fehlende oder freitextliche Labels, seltene Klassen mit zu wenigen Beispielen und Patientenkennungen, die in Bilder oder Dateinamen eingebrannt sind.

Schritte der Aufbereitung bei einem gekauften System: Geräte- und LIS-Schnittstelle bestätigen (HL7 v2, ASTM, FHIR), Test- und Einheitenkataloge bereinigen und einen lokalen Verifikationssatz aus 200-500 Proben mit Experten-Referenzergebnissen zusammenstellen (PREP-018, PREP-020). Für eigene Modelle: Bilder in offenen Formaten exportieren, Kennungen entfernen (PREP-022), zwei Experten mit einem definierten Klassenschema beschriften lassen (PREP-019) und die Korrekturen der Fachkräfte als Rückmeldung erfassen (PREP-021).

Werkzeuge: Export-Werkzeuge der Hersteller, DICOM- oder Standard-Bildkonverter, ein Beschriftungswerkzeug wie CVAT oder Label Studio, eine Tabellenkalkulation für Übereinstimmungsstatistiken. Rechnen Sie bei Weg C und D mit einem großen Anteil der Datenaufbereitung von etwa 40-60 Prozent und bei Weg A mit rund 20 Prozent (Verifikationsstudie). Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• enterprise: A - die Klassifikation von Zellen, Kolonien und Sediment ist eine regulierte medizinische Funktion; CE-gekennzeichnete Systeme mit validierter LIS-Schnittstelle ersparen Ihnen die Herstellerpflichten.
• developer: C - eigene Modelle auf offenen Frameworks laufen auf einer einzelnen GPU (HW1), geeignet für Forschung und Evaluierung, nicht für den klinischen Einsatz ohne Konformitätsbewertung.
• public: A - Universitäts- und öffentliche Labore benötigen zertifizierte Produkte und vergaberechtskonforme Beschaffung; B oder C nur für Forschungsumgebungen.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Digitale Morphologie: CellaVision (Schweden, EU; DI-60 gemeinsam mit Sysmex entwickelt [1], DC-1, CellaVision Vision Hematology Software), Sysmex (DI-60), Scopio Labs (digitale Vollfeld-Zytomorphologie), Beckman Coulter, Siemens Healthineers und Mindray Analysatoren mit Bildmodulen.
• Mikrobiologie-Automation: Copan (Italien, EU; WASP/WASPLab mit der Plattenauswertungssoftware PhenoMATRIX KI), BD (Kiestra Gesamtlaborautomation mit Bildgebungsalgorithmen), bioMerieux (Frankreich, EU; Automation und ADAGIO/VITEK-Ökosystem) und Beckman Coulter. Prüfen Sie den CE-IVDR-Status jedes KI-Moduls, nicht nur des Geräts.
• Urinsediment: Sysmex UF-Serie und UD-10, Iris/Beckman Coulter sowie Dirui/Mindray Bildanalysatoren, Siemens Atellica UAS.
• Wählen Sie A, weil: die KI mit dem Gerät validiert ist, der Hersteller die IVDR-Konformitätsbewertung trägt und das Labor nur die Verifikation durchführt, nicht die Produktentwicklung.

Weg B — Auf Cloud-KI-Diensten aufbauen

Für die primäre Auswertung selten anwendbar: Allgemeine Cloud-VLMs sind für diesen Zweck nicht IVDR-validiert und dürfen keine diagnostischen Ergebnisse bestimmen. Nutzen Sie Dienste in EU-Regionen (Azure, Google Cloud, AWS EU-Regionen, Mistral) und de-identifizierte Bilder; ein Auftragsverarbeitungsvertrag (AVV) ist zwingend.

Weg C — Selbst betreiben (Open Source)

• Forschung und interne Werkzeuge: PyTorch/MONAI, timm, nnU-Net, Cellpose und StarDist für die Segmentierung, Detektoren der YOLO-Klasse und offene Foundation-Modelle für die Mikroskopie; Label Studio oder CVAT zur Annotation; MLflow zur Nachverfolgung.
• Öffentliche Datensätze für Prototypen: PBC- und Raabin-Blutzellsätze, Chula RBC-12 und weitere veröffentlichte Ausstrichsätze, DIBaS für Bakterienbilder. Der klinische Einsatz eines selbst gebauten Modells macht das Labor zum Hersteller (IVDR Art. 5 Abs. 5, Eigenherstellung).
• Hardware: HW1 für die Inferenz auf Edge-Boxen oder dem Geräte-PC; HW2 für das Training kleiner Modelle.

Weg D — Eigenes Training

Nur für Hersteller oder große akademische Labore mit einer Strategie zur Eigenherstellung bzw. als Hersteller: erfordert Tausende bis Hunderttausende von durch Experten beschrifteten Bildern je Klasse über mehrere Geräte, Färbechargen und Standorte; Beschriftung durch mindestens zwei Experten mit Schlichtung; seltene Klassen (Blasten, Parasiten, atypische Zylinder) sind der schwierige Teil. Siehe DATA-023 für Beschriftung mit Modell in der Schleife.

Stand der Technik (2026)

• Ausgereift: Die Vorklassifikation normaler Leukozytenklassen und häufiger Erythrozytenveränderungen ist seit über einem Jahrzehnt im Routineeinsatz; Platten- Lesegeräte trennen Platten ohne Wachstum zuverlässig ab und klassifizieren chromogene Kolonien nach Farbe; Durchfluss-Bildgebungs-Urinanalysatoren klassifizieren gängige Partikel automatisch.
• Grenzen und Fehlerbilder: Seltene und abnorme Zellen (Blasten, atypische Lymphozyten, Parasiten) und Körperflüssigkeiten sind weiterhin fehleranfällig und müssen geprüft werden [2][3]; Verschiebungen bei Färbe- oder Objektträgerqualität und neue Geräte verschlechtern die Genauigkeit; polymikrobielle Platten, mukoide oder winzige Kolonien, Schwärmen und ungewöhnliche Medien stören die Koloniezählung; das Ablesen der AST-Hemmhöfe hängt von der Plattenqualität ab. Übermäßiges Vertrauen (Automatisierungsbias) lässt falsche Vorklassifikationen passieren. Leistungsangaben aus einer Population lassen sich unter Umständen nicht übertragen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Bildgebungs-Stack (image-classification, object-detection, segmentation) wie HLTH-002 (digitale Pathologie) und SCI-008 (Mikroskopie); Annotations- und Modellüberwachungs-Pipelines sind wiederverwendbar (DATA-023).
• Laborautomation: SCI-007 behandelt robotische Laborautomation; die Straße hier ist das klinisch-diagnostische Gegenstück.
• Vor-/nachgelagert: DOC-007 (Extraktion von Laborberichten), HLTH-028 (LOINC/FHIR-Zuordnung für Ergebnisse), HLTH-004 (klinische Entscheidungsunterstützung, z. B. Antibiotic Stewardship), PERS-014 (patientengerechte Erklärung von Laborergebnissen).

Aufwand, Kosten & Kennzahlen

• Weg A: 3-12 Monate einschließlich Gerätebeschaffung, LIS-Schnittstelle (HL7 v2/ASTM/FHIR), Verifikationsstudie und Schulung der Beschäftigten. Kostentreiber: Gerätemiete, Reagenzien/Verbrauchsmaterial, Servicevertrag, LIS-Integration und Arbeitszeit für die Validierung.
• Kennzahlen: Übereinstimmung mit der Expertenreferenz (je Klasse, Sensitivität/Spezifität), Umklassifizierungsrate der Fachkräfte, Durchlaufzeit (Probe bis Ergebnis), Anteil autoverifizierter Negativbefunde, Wiederholungs-/Neulaufrate, Handarbeitszeit pro Probe, übersehene Erreger und übersehene Blasten (Prüfung ohne Toleranz), Ergebnisse der externen Qualitätssicherung (EQA).

Menschen & Veränderung

Beginnen Sie mit der Laborleitung, der verantwortlichen Hämatologin bzw. dem Hämatologen oder der Mikrobiologin bzw. dem Mikrobiologen (department-lead) und den medizinisch-technischen Fachkräften, die täglich Ergebnisse prüfen werden. Beziehen Sie IT für die LIS-Schnittstelle, IT-Sicherheit für die Gerätenetze, die Datenschutzbeauftragten und Recht/Compliance früh ein, denn das System ist ein Hochrisiko-KI-System und in der Regel ein Medizinprodukt (MDR, Weg über Anhang I der KI-Verordnung, für solche Produkte anwendbar ab dem 2. Aug. 2028).

Betriebsrat: kommt darauf an. Der Prüfbildschirm erfasst, welche Fachkraft was bestätigt oder umklassifiziert hat; ein Dashboard mit der Umklassifizierungsrate pro Person wäre daher geeignet, die Leistung zu überwachen, und würde § 87 Abs. 1 Nr. 6 BetrVG auslösen. Werden Statistiken auf Teamebene anonymisiert, ist der Fall schwächer, doch die Informationspflichten nach § 90 Abs. 1 Nr. 3 bleiben. Vereinbaren Sie schriftlich, dass Umklassifizierungsraten nur für die Modell-Qualitätskontrolle genutzt werden (GUIDE-004). Patientendaten: DSFA wahrscheinlich, Auftragsverarbeitungsvertrag mit dem Anbieter (GUIDE-005).

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit Schulungen zu typischen Fehlerbildern, seltenen Zelltypen und dazu, wann der Vorklassifikation zu misstrauen ist (GUIDE-006). Führen Sie einen parallelen Pilot an einem Arbeitsplatz oder in einer Schicht durch, mit einer Go/No-Go-Entscheidung anhand der Übereinstimmungskennzahlen (GUIDE-009). Typische Sorgen sind Kompetenzverlust und Arbeitsplatzverlust; begegnen Sie ihnen, indem die Fachkräfte die entscheidende Instanz bleiben und die Autoverifikation auf dokumentierte, von der Laborleitung freigegebene Fälle begrenzt wird (GUIDE-008).

Risiken, Regulierung & Compliance

• IVDR (EU) 2017/746: KI-Software, die Proben zur Diagnose klassifiziert, ist ein In-vitro-Diagnostikum; viele solcher Produkte fallen nach den Regeln in Anhang VIII in die Risikoklasse B oder C und benötigen eine Konformitätsbewertung durch eine Benannte Stelle. Die Übergangsfristen für Bestandsprodukte wurden durch die Verordnung (EU) 2024/1860 verlängert [4]; prüfen Sie die aktuelle Frist und den Zertifikatsstatus jedes Produkts.
• KI-Verordnung (AI Act, VO 2024/1689): Eine Sicherheitskomponente eines IVD, das eine Konformitätsbewertung durch Dritte erfordert, oder das IVD selbst ist hochriskant nach Art. 6 Abs. 1 und Anhang I. Anbieterpflichten (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Dokumentation der Genauigkeit) gelten für Produkte nach Anhang I weitgehend ab dem 2. Aug. 2028 (verschoben durch das Digital Omnibus on AI, VO (EU) 2026/1744); Betreiber (Labore) müssen die Aufsicht durch kompetentes Personal und KI-Kompetenz (Art. 4) sicherstellen [5]. Es ist keine nach Art. 5 verbotene Praxis betroffen.
• Akkreditierung: ISO 15189 (medizinische Laboratorien) verlangt Methodenverifikation, dokumentierte Validierung der Autoverifikation und die Kompetenz der Prüfenden; deutsche Labore folgen der RiliBAEK (Richtlinie der Bundesärztekammer) zur Qualitätssicherung.
• DSGVO: Bilder und Ergebnisse sind Gesundheitsdaten (Art. 9); Ausstrichbilder mit Barcodes oder Etiketten müssen vor jeder Zweitnutzung pseudonymisiert werden; die Verarbeitung im Krankenhaus ist durch Art. 9 Abs. 2 Buchst. h und nationales Recht abgedeckt; der Fernwartungszugriff des Anbieters erfordert einen AVV und Protokollierung; cloudgehostete Analysen des Anbieters müssen in der EU gehostet sein.
• Klinische Risiken: übersehene abnorme Zellen oder Erreger, Automatisierungsbias, unbemerkte Leistungsdrift nach Änderungen bei Reagenzien/Färbung/Geräten. Gegenmaßnahmen: dokumentierte Verifikation gegen die manuelle Referenz, verpflichtende Prüfregeln für Flags und abnorme Klassen, regelmäßige Neuverifikation, Drift-Dashboards, Änderungskontrolle, Meldung von Vorkommnissen im Vigilanzsystem der IVDR.

Erste Schritte

1. Erfassen Sie Mengen und Engpässe (Differentialblutbilder pro Tag, Platten pro Tag, Sedimentbefundungen) und Ihre Personallücke.
2. Erstellen Sie eine Auswahlliste IVDR-zertifizierter Systeme Ihrer Analysator-/Automationshersteller; fragen Sie nach dem Zertifikat, der Zweckbestimmung und veröffentlichten Verifikationsstudien je Probenart.
3. Planen Sie unter ISO 15189 eine Methodenverifikationsstudie an Ihren eigenen Proben (mit abnormen und Proben seltener Klassen).
4. Legen Sie mit der Laborleitung Regeln für Autoverifikation und verpflichtende Prüfung fest; binden Sie das LIS an.
5. Überwachen Sie monatlich die Umklassifizierungsrate und die EQA; führen Sie ein Änderungskontrollprotokoll für Färbungen, Medien und Geräte.

Quellen

1. Sysmex and CellaVision - integrated digital cell morphology system DI-60 - https://www.selectscience.net/article/sysmex-and-cellavision-launch-new-integrated-digital-cell-morphology-system
2. Performance evaluation of the digital morphology analyser Sysmex DI-60 for WBC differentials in abnormal samples (PMC) - https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11192923/
3. Analytical performance of the Sysmex DI-60 for body fluid cell differential counts (PMC) - https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10374087/
4. Regulation (EU) 2024/1860 amending MDR and IVDR transition periods - https://eur-lex.europa.eu/eli/reg/2024/1860/oj
5. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Regulation (EU) 2017/746 (IVDR) - https://eur-lex.europa.eu/eli/reg/2017/746/oj
7. Red and white blood cell morphology and hands-on time analysis by DI-60 (PMC) - https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9045635/