CRISP: Wie ein KI-Modell den Pathologen im OP-Saal unterstützt
Ein an über 100.000 Schnellschnitten trainiertes KI-Modell hat in einer prospektiven Studie mit über 3.000 Patienten gezeigt, wie computergestützte Pathologie intraoperative Entscheidungen sicher unterstützen kann.
Mit KI-Unterstützung erstellt · redaktionell geprüft und verantwortet von Steven Breuer.
Der Schnellschnitt ist einer der zeitkritischsten Momente in der Chirurgie: Innerhalb weniger Minuten muss die Pathologie entscheiden, ob ein Tumor gutartig oder bösartig ist, ob Resektionsränder frei sind oder ob Lymphknoten Mikrometastasen enthalten – und diese Entscheidung bestimmt unmittelbar den weiteren Verlauf der Operation. Die diagnostische Komplexität ist hoch, die Zeit knapp, und qualitativ hochwertige Trainingsdaten für Schnellschnitte sind rar. Genau an dieser Stelle setzt eine aktuelle, in Nature Medicine veröffentlichte Arbeit an: das Modell CRISP.
Was CRISP von bisherigen Ansätzen unterscheidet
Computational Pathology hat in den letzten Jahren beeindruckende Fortschritte gemacht, blieb im OP-Alltag aber weitgehend Theorie. Der Grund: Es fehlte an großangelegter, prospektiver Validierung unter realen Bedingungen. Retrospektive Studien mit kuratierten Datensätzen sind ein guter erster Schritt, sagen aber wenig darüber aus, ob ein Modell auch dann verlässlich arbeitet, wenn es im laufenden OP-Betrieb auf reale, heterogene Präparate trifft.
CRISP – ausgeschrieben "Clinically-oriented Robust Intraoperative Support for Pathology" – wurde genau mit diesem Anspruch entwickelt. Die Trainingsbasis umfasst über 100.000 Schnellschnitte aus zehn medizinischen Zentren. Evaluiert wurde das Modell anschließend an mehr als 15.000 intraoperativen Schnitten über nahezu 100 diagnostische Aufgabenstellungen hinweg – von der Unterscheidung gutartig/bösartig über zentrale intraoperative Entscheidungssituationen bis hin zur Pan-Cancer-Detektion (Quelle).
Bemerkenswert ist die Generalisierungsfähigkeit: Das Modell zeigte robuste Leistung über sechs Institutionen, 14 Tumorentitäten und 24 anatomische Regionen hinweg – einschließlich zuvor ungesehener Lokalisationen und seltener Tumoren. Für ein Feld, in dem Modelle häufig an die Eigenheiten eines einzelnen Zentrums oder Scanners gekoppelt sind, ist das ein relevanter Unterschied.
Der entscheidende Schritt: prospektive Validierung
Der eigentliche Mehrwert der Studie liegt aber nicht in den retrospektiven Zahlen, sondern in der prospektiven Kohorte mit über 3.000 Patienten. Unter realen klinischen Bedingungen – also im tatsächlichen intraoperativen Workflow, nicht im nachträglichen Testlauf – lieferte CRISP in 92,6 % der Fälle eine direkte Entscheidungsunterstützung für die Operation. Das bedeutet: In der überwiegenden Mehrheit der Fälle floss die KI-Einschätzung unmittelbar in die chirurgische Entscheidung ein, nicht nur als nachgelagerte Bestätigung.
Ebenso relevant für den Praxisalltag: Die Zusammenarbeit zwischen Pathologin bzw. Pathologe und KI reduzierte die diagnostische Arbeitslast um 35 %. In einem Fachgebiet, das seit Jahren unter Nachwuchsmangel und steigenden Fallzahlen leidet, ist das kein nebensächlicher Befund. Zusätzlich konnten durch den Einsatz von CRISP 105 ergänzende Zusatzuntersuchungen vermieden werden – ein direkter Effekt auf Ressourcen und Durchlaufzeiten im OP. Bei der Detektion von Mikrometastasen, einer notorisch fehleranfälligen Aufgabe unter Zeitdruck, erreichte das System eine Genauigkeit von 87,5 %.
Was das für Pathologie-Abteilungen bedeutet
Für Kliniken mit intraoperativer Schnellschnittdiagnostik liefert diese Arbeit ein konkretes Vorbild dafür, wie Computational Pathology den Sprung von der Forschung in den klinischen Alltag schaffen kann. Drei Punkte sind aus meiner Sicht besonders relevant für die praktische Einordnung:
Prospektive Validierung ist der eigentliche Meilenstein. Viele KI-Modelle in der Pathologie zeigen gute retrospektive Ergebnisse. Die Frage, die für eine Einführung im OP zählt, ist aber, ob das Modell unter Echtzeitbedingungen, mit variabler Präparatequalität und Zeitdruck, stabil bleibt. Genau das wurde hier über 3.000 Patienten hinweg gezeigt.
Der Nutzen liegt im Zusammenspiel, nicht im Ersatz. Die 35 % Reduktion der Arbeitslast entstanden aus Human-AI-Kollaboration, nicht aus autonomer KI-Diagnostik. Für die Einführung in der eigenen Abteilung bedeutet das: Workflows sollten von Anfang an auf unterstützende Zweitmeinung ausgelegt sein, mit klar definierten Eskalationswegen bei Diskrepanzen.
Generalisierbarkeit über Zentren hinweg ist ein Auswahlkriterium. Wenn Sie den Einsatz eines KI-gestützten Schnellschnitt-Systems prüfen, lohnt sich der Blick darauf, an wie vielen und wie heterogenen Zentren ein Modell trainiert und validiert wurde – Robustheit gegenüber unbekannten Tumorentitäten und Lokalisationen ist dabei ein belastbarerer Indikator als hohe Genauigkeit auf einem einzelnen internen Datensatz.
Für die Pathologie insgesamt markiert CRISP damit weniger einen technischen Durchbruch als einen methodischen: den Nachweis, dass sich computergestützte Schnellschnittdiagnostik mit ausreichend großer, prospektiver Evidenz tatsächlich in den intraoperativen Alltag integrieren lässt – mit messbarem Effekt auf Entscheidungsqualität, Arbeitslast und Ressourceneinsatz.