KI in der Diagnostik: Was zwei aktuelle Nature-Studien zu Krebs-Fällen und Tumor-Boards zeigen

Wer KI-gestützte Diagnostik in der Klinik einführen möchte, stößt schnell auf zwei Fragen: Wie verändert sich das Verhalten von Ärztinnen und Ärzten, wenn eine KI eine Zweitmeinung liefert? Und wie belastbar ist eine KI, wenn sie eine ganze Rolle im interdisziplinären Tumorboard übernehmen soll? Zwei aktuelle Studien aus npj Digital Medicine liefern dazu konkrete, methodisch fundierte Daten – ohne die üblichen Übertreibungen.

Studie 1: KI bei seltener Nierenkrebsdiagnose – nicht jeder profitiert gleich

Die Studie zu KI-assistierter Diagnose bei seltenen Krebserkrankungen untersucht die fumarathydratase-defiziente Nierenzellkarzinom (FHdRCC) – eine seltene, aggressive und morphologisch schwer zu screenende Entität. 21 Pathologinnen und Pathologen bewerteten in einem Crossover-Design 30 anspruchsvolle Fälle mit und ohne ein eigens entwickeltes Deep-Learning-Screening-Tool.

Das Ergebnis auf Gruppenebene ist eindeutig: Die diagnostische Genauigkeit stieg von 60,0 % auf 73,3 % (P = 0,012), die Inter-Rater-Reliabilität verbesserte sich (Fleiss' Kappa von 0,311 auf 0,482). Interessanter ist aber, was die Autor:innen unter der Oberfläche fanden. Mithilfe zweier neu definierter Kennzahlen – Relative AI Reliance (RAIR) und Clinical Overreliance Rate (CORR) – identifizierten sie zwei klar unterscheidbare Verhaltenstypen:

• Receptive Gruppe (n = 14): profitierte deutlich stärker von korrekten KI-Vorschlägen (medianer RAIR 0,732 vs. 0,444), war aber auch anfälliger für fehlerhafte KI-Ausgaben (medianer CORR 0,800 vs. 0,600).
• Resistant Gruppe (n = 7): behielt durchgängig eine kritische Distanz zur KI, profitierte dadurch aber auch weniger von richtigen Hinweisen.

Bemerkenswert: Diese Persönlichkeitstypen korrelierten weder mit fachlicher Expertise (P = 1,0) noch mit Berufserfahrung (P = 0,881). Ob jemand die KI sinnvoll nutzt oder ihr blind vertraut, lässt sich also nicht am Dienstalter oder Facharzttitel ablesen.

Praktische Konsequenz: Ein pauschales „Schulung für alle" reicht nicht. Wenn der Umgang mit KI-Vorschlägen eine eigenständige Fähigkeit ist, die unabhängig von klinischer Erfahrung variiert, sollten Kliniken bei der Einführung diagnostischer KI-Systeme prüfen, wie einzelne Anwender:innen tatsächlich mit den Vorschlägen umgehen – etwa durch begleitende Audits der Übereinstimmungsraten in der Einführungsphase. Die Autor:innen selbst betonen den explorativen, hypothesengenerierenden Charakter der Arbeit; eine Validierung in größeren Kohorten steht noch aus. Für die Praxis heißt das: vielversprechend als Trainingsansatz, aber noch keine Blaupause für ein fertiges Onboarding-Konzept.

Studie 2: GPT-5 im simulierten Tumor-Board – überzeugende Sprache, aber wenig fachliche Tiefe

Die zweite Studie, GPT-5 in Tumor-Board-Simulation: KI-Verhalten unter Prompts, prüft eine andere, ebenso praxisrelevante Frage: Erzeugt Rollen-Prompting (z. B. „Antworte als Strahlentherapeut") bei einem LLM tatsächlich unterschiedliche klinische Entscheidungen – oder nur unterschiedlich klingenden Text um eine im Kern gleiche Antwort?

Getestet wurden fünf Zero-Shot-Prompting-Frameworks plus ein Mehrheitsvotum-Ensemble an GPT-5, angewendet auf 100 gastrointestinal-onkologische Fälle mit dokumentierten Tumorboard-Entscheidungen. Die Übereinstimmung mit den realen Board-Entscheidungen lag zwischen 78 % und 87 %, ohne statistisch signifikante Unterschiede zwischen den Frameworks (Cochran's Q = 8,46; p = 0,133).

Die Sprache passte sich fast durchgängig der jeweiligen Rolle an (97–100 % fachtypische Formulierungen) – korrelierte aber nicht mit der Genauigkeit. Eine Embedding-Analyse zeigte hohe semantische Ähnlichkeit zwischen den Personas (Kosinus-Ähnlichkeit 0,805–0,836), während echte Multi-Experten-Deliberation deutlich stärker differenzierte Outputs erzeugte (η² 0,554–0,581 gegenüber η² 0,049 bei reinem Rollen-Prompting).

Die Autor:innen ziehen daraus einen klaren Schluss: GPT-5 passt zuverlässig den sprachlichen Stil an eine klinische Rolle an, produziert aber keine echte fachspezifische Entscheidungsvielfalt. Es fungiert als Entscheidungsunterstützung – nicht als autonomer Ersatz für einzelne Fachdisziplinen im Board.

Praktische Konsequenz: Wenn Sie oder Ihre Klinik erwägen, LLMs als Vorbereitung oder Ergänzung für Tumorboards einzusetzen, sollten Sie nicht erwarten, dass unterschiedliche Rollen-Prompts unterschiedliche fachliche Perspektiven simulieren. Die Studie legt nahe, dass strukturierte Multi-Experten-Deliberation (mehrere Perspektiven, die tatsächlich gegeneinander abgewogen werden) mehr Differenzierung bringt als einfaches Rollenspiel mit einem einzelnen Modellaufruf. Für die Praxis bedeutet das: Ein GPT-5-gestütztes Vorab-Screening von Fällen kann sinnvoll sein, ersetzt aber nicht die interdisziplinäre fachliche Substanz eines echten Boards – die Konkordanzraten von 78–87 % sind ein Anhaltspunkt, keine Freigabe für autonome Entscheidungen.

Fazit für Klinik und Praxis

Beide Studien zeichnen ein nüchternes, aber konstruktives Bild: KI kann in der Diagnostik seltener Erkrankungen und in der Vorbereitung komplexer onkologischer Entscheidungen messbar helfen. Der Nutzen hängt jedoch entscheidend davon ab, wie Menschen mit den Vorschlägen umgehen (Studie 1) und wie genau man versteht, was ein Sprachmodell tatsächlich leistet – nämlich stilistische Anpassung, nicht zwingend fachliche Differenzierung (Studie 2). Wer KI-Tools einführt, sollte beides einplanen: begleitende Beobachtung des Nutzerverhaltens und realistische Erwartungen an die Rolle des Modells im Entscheidungsprozess.