KI-Krebsdiagnose wird 20-mal schneller – bei gleichbleibender Genauigkeit für Operationsentscheidungen

Die Krebsdiagnose während einer Operation erfordert, dass Pathologen Gewebeproben schnell analysieren, während die Patienten noch auf dem Operationstisch liegen. Aktuelle KI-Diagnosewerkzeuge sind für diese kritischen Momente zu langsam und zu datenintensiv – sie erfordern häufig hochauflösende Bildanalysen, deren Verarbeitung zu lange dauert.

Forscher des Guangdong Provincial People's Hospital entwickelten MAG-GLTrans, ein KI-Framework, das die Effizienz der computergestützten Pathologie revolutioniert. Das System verwendet einen Magnifikations-Abgleichmechanismus mit selbstüberwachtem Lernen, um die Lücke zwischen Gewebebildern geringer und hoher Vergrößerung zu überbrücken, und ermöglicht so eine präzise Diagnose aus Eingaben mit niedrigerer Auflösung.

Tests über mehrere krebsdiagnostische Aufgaben hinweg zeigten, dass MAG-GLTrans modernste Genauigkeit erzielte und dabei eine 10,7-fach schnellere Berechnung sowie über 20-fache Reduktionen bei den Anforderungen an Dateiübertragung und Speicherung lieferte. In der praktischen Anwendung für die Diagnose von Lungenkrebsschnellschnittproben identifizierte das System erfolgreich Tumormuster und lokalisierte diagnostisch relevante Geweberegionen mit minimalem Rechenaufwand.

Dieser Fortschritt könnte die Krebschirurgie transformieren, indem er eine KI-gestützte Echtzeit-Diagnose während Operationen ermöglicht. Eine schnellere und effizientere Pathologieanalyse bedeutet, dass Chirurgen sofortige Behandlungsentscheidungen treffen können, was möglicherweise die chirurgischen Ergebnisse verbessert und die Zeit der Patienten unter Narkose verkürzt. Die Technologie macht zudem fortschrittliche KI-Diagnostik in ressourcenschwachen Umgebungen zugänglich, in denen leistungsstarke Recheninfrastruktur nicht verfügbar ist, und demokratisiert so die präzise Krebsversorgung weltweit.