Ein KI-Modell, das Gewebeschnitte liest und Fragen beantwortet
PRISM2 erkennt Krebs in digitalen Gewebeschnitten so gut wie zertifizierte Spezialprogramme und formuliert Befundentwürfe. Was davon in der Veterinärpathologie ankommen könnte.
Forschende von Paige, Microsoft und dem Memorial Sloan Kettering Cancer Center in New York haben PRISM2 vorgestellt, ein sogenanntes Foundation-Modell (siehe Tech-Glossar) für die digitale Pathologie. Es lernte aus 2,3 Millionen digitalisierten Schnitten und den dazugehörigen rund 700.000 Befundberichten. Fragt man es schlicht, ob in einer Probe ein bösartiger Tumor zu sehen ist, schneidet es ohne zusätzliches Training mindestens so gut ab wie drei spezialisierte, in Europa CE-zertifizierte Erkennungsprogramme desselben Herstellers: bei Prostata- und Brustkrebs gleichauf, bei Lymphknotenmetastasen von Brustkrebs sogar besser. Auch die Felder eines standardisierten Befundformulars für Brustkrebs-Biopsien kann es per Frage und Antwort ausfüllen. Hier sprechen die Autoren von mäßigem bis gutem Verständnis: Ob ein duktales oder ein lobuläres Karzinom vorliegt, erkennt es gut. Den genauen Tumortyp aus 20 Möglichkeiten zu bestimmen, gelingt deutlich schlechter.
So funktioniert's
Das riesige Schnittbild wird in Tausende Kacheln zerlegt.
Ein Bildmodell beschreibt jede Kachel, ein zweites fasst sie zu einem Gesamteindruck des Präparats zusammen, und ein Sprachmodell verknüpft diesen mit Text. Vereinfacht gesagt: ein Assistent, der Hunderttausende Befundberichte gelesen und gleichzeitig die zugehörigen Schnitte gesehen hat.
Und in der Tiermedizin?
Voraussetzung wären digitalisierte Präparate und Befundberichte in großer Zahl – in der Veterinärpathologie verteilt auf viele Labore und Tierarten, mit weit weniger Fällen pro Tumorart. Ein denkbarer Weg: Modelle aus der Humanmedizin als Ausgangspunkt nutzen und mit kleineren tiermedizinischen Datensätzen anpassen; die Studie zeigt, dass sich PRISM2 mit einfachen Zusatzmodellen auf neue Aufgaben übertragen lässt. Profitieren könnten zuerst große Labore, etwa bei der Vorsortierung oder als Zweitmeinung. Zu beachten: Mehr als die Hälfte der Autoren sind aktuelle oder frühere Paige-Mitarbeitende, und alle Trainingsschnitte wurden in einem einzigen Zentrum gescannt.
Quelle: Vorontsov E et al.
End-to-end multimodal pathology foundation model with clinical dialogue.
Nature Medicine, 2026
(https://doi.org/10.1038/s41591-026-04521-4)
