Hautkrebs: KI erkennt unsichtbare Tumore in Echtzeit
Veröffentlicht am: 04.09.2026 um 03:30 Uhr | Redaktion boerse-global.de
Steigende Fallzahlen bei Hautkrebs und wachsende Möglichkeiten der künstlichen Intelligenz treffen derzeit aufeinander. Erlanger Forscher haben laut einem Bericht des Deutschen Ärzteblatts eine Methode vorgestellt, die eine bildgebende Technik namens Line-Field konfokale optische Kohärenztomografie (LC-OCT) mit KI-Bilderkennung kombiniert.
Das Verfahren soll die Gesichtshaut in Echtzeit analysieren und subklinische Basalzellkarzinome erkennen, also Tumorareale, die mit bloßem Auge noch nicht sichtbar sind. Die KI markiert dabei Bereiche mit erhöhter Wahrscheinlichkeit für ein Basalzellkarzinom, die anschließend von Ärztinnen und Ärzten beurteilt werden.
Steigende Fallzahlen als Hintergrund
Der Ansatz trifft auf eine Entwicklung, die die Kaufmännische Krankenkasse (KKH) in einer Auswertung dokumentiert hat: Zwischen 2014 und 2024 ist die Zahl der Behandlungen wegen schwarzem Hautkrebs deutschlandweit um 28 Prozent gestiegen, bei weißem Hautkrebs betrug der Zuwachs 45 Prozent.
Im Jahr 2024 waren laut KKH bundesweit rund 8.000 Versicherte von schwarzem und 38.000 von weißem Hautkrebs betroffen, wobei weißer Hautkrebs insgesamt fünfmal häufiger auftritt als die schwarze Variante.
Frauen waren nach den KKH-Daten häufiger betroffen; bei ihnen stieg die Zahl der Fälle mit weißem Hautkrebs um 53 Prozent, bei Männern um 34 Prozent. Besonders ausgeprägt fiel der Anstieg in Sachsen aus, wo die Fälle von schwarzem Hautkrebs laut KKH um 83 Prozent zunahmen und sich die Zahl der Betroffenen mit weißem Hautkrebs verdoppelte.
Vor diesem Hintergrund gewinnt die Frage an Bedeutung, wie sich Tumore frühzeitiger und präziser erkennen lassen, bevor sie sich klinisch manifestieren – genau hier setzt der Erlanger Ansatz mit LC-OCT und KI-Analyse an.
Weitere KI-Projekte in der Hautkrebsdiagnostik
Die Hautkrebszahlen steigen – doch neue KI-Verfahren erkennen Tumore oft früher als je zuvor. Erfahren Sie in unserem kostenlosen Leitfaden, wie Sie die modernen Diagnosemöglichkeiten für sich nutzen können. Jetzt Leitfaden zur Hautkrebs-Früherkennung anfordern
Der Erlanger Ansatz reiht sich in eine Reihe von Projekten ein, die KI-Methoden für die Dermatologie nutzbar machen wollen. Das IFB Hamburg förderte gemeinsam mit den Partnern Mindpeak und dem HpH Institut das Projekt MelanomAIX mit 800.000 Euro.
Die dabei entwickelte KI erkennt Tumorgewebe nach Angaben der Projektbeteiligten mit einer Genauigkeit von über 90 Prozent und soll zudem den Erfolg einer Immuntherapie vorhersagen können. Ein erster Prototyp habe sich bereits bewährt, weitere Validierungsschritte seien geplant.
Auch im Bereich der automatisierten Bildsegmentierung gibt es Fortschritte: Eine als FAED bezeichnete Architektur, veröffentlicht in der Fachzeitschrift Complex & Intelligent Systems, segmentiert Hautläsionen mit Dice-Scores von 0,9140 auf dem Datensatz ISIC2016, 0,9135 auf PH², 0,8781 auf ISIC2018 und 0,8615 auf ISIC2017 – bei nur 2,4 Millionen Parametern und einer Inferenzzeit von 10,05 Millisekunden pro Bild auf einer Tesla-T4-Grafikkarte. Solche schlanken Modelle könnten künftig auch auf weniger leistungsstarker Hardware zum Einsatz kommen.
Ergänzend dazu haben sich in den vergangenen Jahren Teledermatologie-Angebote wie OnlineDoctor.de und SkinDoc24.de etabliert, über die Hautbefunde per Foto eingeschätzt werden können. Bei scharfen Bildern liege die Diagnosegenauigkeit nach Angaben der Anbieter bei 99 Prozent, wobei sich 60 bis 70 Prozent der eingereichten Befunde als unkritisch erweisen.
Einordnung
Unsichtbare Tumore: KI-gestützte Bildgebung erkennt Hautkrebs in Echtzeit, bevor er mit bloßem Auge sichtbar wird. Diese Entwicklung könnte auch für Sie wichtig werden – unser Ratgeber erklärt die neuen Chancen der Früherkennung. Ratgeber zur modernen Hautkrebs-Diagnostik jetzt sichern
Die verschiedenen Entwicklungen – von der LC-OCT-gestützten Echtzeitanalyse über KI-Modelle zur Tumorerkennung bis hin zu Teledermatologie-Plattformen – deuten auf einen Trend hin, bei dem Bildgebung und maschinelles Lernen zunehmend zusammenwachsen.
Angesichts der von der KKH dokumentierten steigenden Fallzahlen dürfte der Bedarf an schnelleren und präziseren Diagnoseverfahren weiter zunehmen. Die vorgestellten Ansätze befinden sich jedoch überwiegend noch in der Erprobungs- oder Validierungsphase, bevor sie breiten Eingang in die klinische Routine finden könnten.
