Künstliche Intelligenz in Anwendungsfeldern der Gynäkologie
Prof. Dr. Tanja Fehm, Düsseldorf, sprach auf dem FOKO 2025 von der aktuellen und zukünftigen Anwendung künstlicher Intelligenz im Feld der gynäkologischen Medizin. Besonders die Studienlage in den Bereichen des Screenings, der Früherkennung und Vorsorge zeigt vielversprechende Ergebnisse.
© Adisak Riwkratok/Shutterstock
KI in der Gynäkologie - Grundsätzlich sei die Künstliche Intelligenz (KI) für Ärztinnen und Ärzte eine große Hilfe, berichtete Fehm. Besonders die Ausführung von Routineaufgaben in der Administration könne bereits heute niederschwellig durch KI erleichtert werden. Arztbriefe, Dokumentationen, Abrechnung und die Patientenverwaltung seien Gebiete, in denen sich KI gut in der Praxis einsetzen lasse. Doch der Einsatz von KI sei auch in viel weitreichenderen Feldern der Gynäkologie denkbar. Wo die KI zumindest wissenschaftlich schon angekommen ist, war Hauptteil von Fehms Vortrag auf dem FOKO 2025.
KI im Screening – Fehldiagnoseraten minimieren
KI im Mammakarzinom-Screening
Eine Studie, die für eine Implementation von KI in den Screening-Prozess spricht, ist zum Beispiel die sogenannte PRAIM-Studie, die in Deutschland durchgeführt wurde.1 Hier wurde untersucht, ob der Einsatz von KI Auswirkungen auf die Befundung im Mammakarzinom-Screening hat. Dazu wurden die Daten von über 450.000 Patientinnen in zwei Gruppen ausgewertet: Die Daten der einen Gruppe über eine klassische Doppelbefundung durch zwei Radiologen, die andere über eine KI-unterstützte Doppelbefundung (ein Radiologe unter Hinzunahme von KI). Das Ergebnis: Die Auswertung mittels Zuhilfenahme der KI zeigte eine höhere Detektionsrate von Mammakarzinomen. Überrascht von diesem Ergebnis stellten Forschende die Frage, ob durch KI-Unterstützung eventuell mehr falsch-positive Befunde festgestellt werden, da die KI möglicherweise zu sensibel detektiert. Der Einsatz von KI hatte jedoch keinen statistisch signifikanten Einfluss auf die Recall-Rate, sie war sogar minimal niedriger als in der Kontrollgruppe und führte demnach nicht zu falsch-positiven Ergebnissen.
Ein weiterer Faktor ist ebenfalls nicht zu unterschätzen: Bei einer Doppelbefundung mit KI ließ sich eine Zeitersparnis von 43% errechnen.1 In Anbetracht des Personalmangels und knappen Ressourcen könnte KI hier also eine wertvolle Implementierung sein.
KI im Zervixkarzinom-Screening
Ähnliche Beobachtungen konnten auch beim Zervixkarzinom-Screening festgehalten werden. Hier ist es denkbar, KI für die Auswertung von zytologischen Abstrichen oder von Kolposkopiebildern einzusetzen. „In Amerika ist das bereits ein zugelassenes System“, berichtete Fehm. Studien zeigen, dass unter Einbezug von KI eine höhere Detektionsrate von zervikaler intraepithelialer Neoplasie, kurz CIN, der Stadien II und III gesichert und somit mögliche Vorstufen des Zervixkarzinoms erkannt werden können. Auch hier lässt sich dadurch eine deutliche Zeitersparnis erzielen.2,3,4
Beurteilung von Ovarialtumoren
Ein abschließendes Beispiel ist die KI-unterstützte Ultraschallbeurteilung von Ovarialtumoren. Auch hier kann KI helfen, wie eine Studie zeigt.5 In einer simulierten Triagesituation wurden die Teilnehmenden beschallt, von den Behandelnden eingeschätzt und gegebenenfalls zur weiteren Einschätzung an eine Expertin oder einen Experten verwiesen. „Durch Hinzunahme der KI wird es hier für Nicht-Experten einfacher das Ganze einzuschätzen“, sagte Fehm. Die Rate der Fehldiagnosen reduzierte sich um 18%, die Zahl der Überweisungen zur Einholung einer Expertenmeinung sank deutlich um 63%.5 So bietet sich auch hier ein mögliches Anwendungsgebiet.
© metamorworks/Shutterstock
KI in der Geburtshilfe und Pränatalmedizin
Im Besonderen die Geburtshilfe und die Pränatalmedizin werden nach Fehms Einschätzung in vielen Anwendungsfeldern durch den Einsatz von KI geprägt sein.
Schwangerenbetreuung und -vorsorge
Sensoren und Wearables werden bereits heute zur Überwachung von Schwangeren eingesetzt. In Zukunft wird es auch darum gehen, individuelle Schwangerschaftsrisiken durch die Analyse von Patientinnendaten vorherzusagen. Ein solches Konzept testet heute bereits die Charité – Universitätsmedizin Berlin: Eine hybride Versorgung von Risikoschwangerschaften findet am Beispiel der hypertensiven Schwangerschaftserkrankungen (HES) statt. Schwangere geben hier ihre Daten wie Blutdruck, Gewicht und Urinanalysen in eine App ein. Diese Daten werden dann von einer KI evaluiert und die Patientinnen anschließend telemedizinisch monitorisiert. Bisher konnte hier beobachtet werden, dass Probleme durch die KI und Monitorisierung frühzeitig erkannt und Hospitalisationen deutlich reduziert werden konnten. Auch Praxisbesuche konnten reduziert werden, weil die Patientinnen nur noch einbestellt werden mussten, wenn Problematiken über die App angezeigt wurden.6 Auch wenn die Validierung und Entwicklung robuster KI-Modelle für die Praxis noch aussteht, lassen sich diese vielversprechenden Ergebnisse schon jetzt gedanklich gut auf die Versorgung von Gestationsdiabetes, Präeklampsie etc. übertragen.
Pränataldiagnostik
Der große Bereich der Pränataldiagnostik profitiert von der besonderen Eignung von KI für die Auswertung bildgebender Verfahren. Ultraschallbilder können durch KI nicht nur optimiert werden, KI kann auch automatisch die optimale Einstellung für weiterführende Analysen ermitteln. Auch die Fetometrie, die Messung der Nackentransparenz und die Fruchtwasserbestimmung kann durch KI automatisiert werden. Wichtiger ist laut Fehm jedoch das Erkennen von Fehlbildungen und komplexen Syndromen. Hier könnte KI über ihren enormen Datenspeicher helfen, auch seltene Auffälligkeiten zu entdecken. Das könnte auch in der Ausbildung von Vorteil sein: In intelligenten Simulatoren wäre es möglich, sich Fehlbildungen anzuschauen, die Behandelnden in der Praxis vielleicht gar nicht begegnen.
KI im Kreißsaal
Im Kreißsaal könnte KI zur Analyse von fetalen Herzfrequenzmustern eingesetzt werden, um so Risiken wie fetale Hypoxie oder andere Komplikationen frühzeitig erkennen zu können. Eine der ersten großen KI-basierten Studien zur CTG-Überwachung zeigt beruhigende Ergebnisse: Es gibt keinen signifikanten Unterschied bei den neonatologischen Ergebnissen zwischen der Gruppe mit computergestützter Überwachung und einer Kontrollgruppe. Genau so wenig gibt es messbare Reduktionen von schwerwiegenden fetalen Komplikationen oder Raten von Sectiones bzw. operativen Entbindungen.7
KI in der Onkologie – Personalisierte Behandlungsmöglichkeiten
Im Bereich der molekularen Tumor-Boards ist zeitaufwendige, menschliche Fleißarbeit zurzeit unabdingbar. Nach einer Sequenzierung des Tumors sind Menschen gefragt, die die Mutation identifizieren, ihre Relevanz einstufen und in einem zweiten Schritt geeignete Studien oder Medikamente identifizieren, erklärte Fehm. Dieser Vorgang könne Ärztinnen und Ärzte ein bis drei Stunden beschäftigen. KI könnte hier den gesamten Vorgang übernehmen und so wichtige Ressourcen schonen. Forschende der Studie MEREDITH (Medical Evidence Retrieval and Data Integration for Tailored Healthcare) konnten herausstellen, dass die Therapieempfehlungen eines solchen KI-Prozesses eine Übereinstimmung von 94,7% mit den Entscheidungen von molekularen Tumorboards aufweisen.8 Nicht nur die Entscheidungen von Mensch und KI stimmen also gut miteinander überein, sondern durch KI ergibt sich zusätzlich eine höhere Behandlungsvielfalt, da hier deutlich mehr Therapieoptionen aufgezeigt werden (2 Optionen im Median vs. 4 Optionen mit der KI).8 Fehm betonte jedoch, dass die Bewertung bzw. die Behandlung natürlich der Ärztin oder dem Arzt selbst überlassen bleibe.
| Herausforderungen & Chancen beim Einsatz von KI in der Gynäkologie | |
|---|---|
| Herausforderungen | Chancen |
|
|
ros
Quelle: Vortrag „KI im Fachgebiet: aktuell und zukünftig“ am 14.03.2025 anlässlich des Fortbildungskongresses FOKO 2025 in Düsseldorf des Bundesverbands der Frauenärztinnen und Frauenärzte e.V.
1 Eisemann N et al. Nationwide real-world implementation of AI for cancer detection in population-based mammography screening. Nat Med 2025;31:917-924. DOI: 10.1038/s41591-024-03408-6.
2 Xue P et al. Assessing artificial intelligence enabled liquid-based cytology for triaging HPV-positive women: a population-based cross-sectional study. Acta Obstet Gynecol Scand 2023. DOI: 10.1111/aogs.14611.
3 Wentzensen N et al. Accuracy and Efficiency of Deep-Learning–Based Automation of Dual Stain Cytology in Cervical Cancer Screening, JNCI 2021;113(1):72–79. DOI: 10.1093/jnci/djaa066.
4 Hou X et al. N et al. Artificial Intelligence in Cervical Cancer Screening and Diagnosis. DOI: 10.3389/fonc.2022.851367.
5 Christiansen, F et al. International multicenter validation of AI-driven ultrasound detection of ovarian cancer. Nat Med 2025;31: 189–196. DOI: 10.1038/s41591-024-03329-4.
6 Griewing, S et al. Risikoschwangerschaft im digitalen Zeitalter – Von DigiG, hybrider Versorgung und dem Potenzial Künstlicher Intelligenz. Die Gynäkologie 2024;12. DOI:10.1007/s00129-024-05295-x.
7 Brocklehurst, Peter et al. Computerised interpretation of fetal heart rate during labour (INFANT): a randomised controlled trial. The Lancet 2017; 389(10080):1719-1729. DOI: 10.1016/S0140-6736(17)30568-8.
8 Lammert J et al. Expert-Guided Large Language Models for Clinical Decision Support in Precision Oncology. JCO Precis Oncol 2024;8. DOI:10.1200/PO-24-00478.
