Histopathologie-Triage: KI priorisiert kritische Biopsien

Das echte Ausmaß des Problems

Das Problem in der Histopathologie ist kein Kapazitätsproblem. Es ist ein Sortierproblem.

Ein typisches pathologisches Institut an einem deutschen Universitätsklinikum verarbeitet 800 bis 1.200 neue Einsendungen pro Woche — aus Chirurgie, Onkologie, Dermatologie, Gastroenterologie, Urologie, Gynäkologie. Davon sind nach Einschätzung aus der klinischen Praxis 60 bis 80 Prozent Routineeinsendungen ohne direkte therapeutische Dringlichkeit: benigne Polypen, entzündliche Veränderungen, Kontrollbiopsien. Aber dieser Anteil ist nicht vorab sortiert. Er trifft im gleichen Strom ein wie das aggressive Melanom vom Dienstag und das verdächtige Knochenmarksaspirat vom Mittwochabend.

Die Konsequenz: First-in, first-out. Das Präparat, das als erstes ankommt, wird als erstes aufgearbeitet — nicht das, das am dringendsten ist. Die Priorisierung hängt von einem einzigen Kanal ab: ob der Einsender angerufen hat. Wer anruft, rückt vor. Wer nicht anruft, wartet.

In einer Untersuchung an einem deutschen Universitätsklinikum (Tübingen, veröffentlicht 2021) vergingen im Durchschnitt 5 bis 10 Werktage zwischen Eingang und endgültigem Befund. Für nicht-dringende Fälle ist das vertretbar. Für ein aggressives B-Zell-Lymphom, bei dem die Onkologie bereits mit einer Therapieannahme plant, ist das klinisch riskant.

Eine Simulation an einem öffentlichen Krankenhaus (Malaysia, 2025, veröffentlicht als Preprint auf medRxiv) zeigte: Ein KI-basiertes Triagesystem für Brustbiopsien reduzierte die mittlere Durchlaufzeit für krebsverdächtige Fälle um 38,2 Prozent — von 7,2 auf 4,5 Tage. Der klinische Unterschied ist nicht akademisch: Das sind drei Tage, in denen Onkologen mit unsicheren Annahmen planen.

Das eigentliche Ausmaß des Problems liegt nicht in den Extremfällen. Es liegt darin, dass niemand weiß, wie viele Fälle zu spät priorisiert wurden — weil das System, das heute falsch priorisiert, keinen Alarm auslöst.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ CONFIDENT-P-Studie, Paige Prostate Detect, veröffentlicht in JCO Clinical Cancer Informatics 2024. Eigene Daten können abweichen — diese Validierungsstudie bezieht sich auf Prostata-Stanzbiopsien.

Der wichtigste Punkt: Das Gesamtvolumen ändert sich nicht. Es gibt keine Wunderzahl, die plötzlich mehr Pathologen-Stunden erzeugt. Die KI-Triage verändert die Reihenfolge, nicht den Durchsatz. Das ist ihr einziger, entscheidender Nutzen — und der ist erheblich.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Für die Fälle, auf die es ankommt, ist der Effekt dramatisch: aus fünf bis zehn Tagen werden ein bis drei. Das ist kein marginaler Effizienzgewinn, sondern ein klinisch relevanter Unterschied für Onkologie-Teams. Begrenzt auf 4 (nicht 5), weil der Gesamtdurchsatz des Instituts nicht steigt — nur die Verteilung verbessert sich.

Kosteneinsparung — niedrig (2/5) Es gibt keine direkte Kostensenkung durch KI-Triage. Die Pathologen-Stunden bleiben gleich. Scannerinfrastruktur, KI-Lizenzen und LIS-Integration erzeugen stattdessen erhebliche Initialkosten. Der Nutzen ist klinisch, nicht betriebswirtschaftlich im direkten Sinne — daher ehrlich niedrig bewertet.

Schnelle Umsetzung — niedrig (2/5) Dieser Use Case ist einer der komplexesten in der Gesundheitsbranche. MDR-Zertifizierung des Algorithmus, CAP-Validierung (Mindestens 60 eigene Referenzfälle je Gewebetyp), LIS-Integration, Scanner-Rollout, interne Validierungsstudie, klinische Freigabe — realistische Zeitspanne bis zum Pilotbetrieb: 12 bis 24 Monate. Schnell ist das nicht.

ROI-Sicherheit — mittel (3/5) Der klinische Nutzen ist gut belegt (Paige: 70 Prozent Reduktion falsch-negativer Prostatakarzinom-Befunde; Turnaround-Zeit -38 Prozent in Simulationsstudien). Der wirtschaftliche ROI ist schwer zu isolieren: Welcher Betrag an vermiedenen Komplikationen lässt sich dem Triagesystem zuschreiben? Das ist eine Attribution, die niemand sauber rechnen kann. Mittelfeldposition.

Skalierbarkeit — hoch (4/5) Einmal in der Infrastruktur verankert, skaliert ein Triagesystem mit dem Slide-Volumen mit — ohne proportionalen Zusatzaufwand. Mehr Einsendungen bedeuten mehr Nutzen, nicht mehr Kosten. Der Unterschied zu anderen KI-Use-Cases im Gesundheitsbereich: Pathologie-KI entfaltet ihren Nutzen erst ab großen Volumina (ab ca. 500 Slides/Woche) — aber der Grenznutzen steigt mit dem Volumen.

Richtwerte — stark abhängig von Institutsgröße, Gewebetyp-Mix, Infrastruktur und MDR-Klassifizierung des gewählten Systems.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Was das System konkret macht

Der technische Kernprozess läuft in drei Schritten — bevor ein einziger Pathologe den Bildschirm öffnet.

Schritt 1 — Digitalisierung. Der Objektträger mit dem H&E-gefärbten Schnitt wird von einem Whole-Slide-Scanner digitalisiert. Hochdurchsatz-Scanner (Leica Aperio GT450, Hamamatsu S360, 3DHistech P1000) schaffen 150 bis 400 Objektträger pro Stunde mit Auflösungen von 0,25 Mikrometer pro Pixel. Das Ergebnis ist eine Whole-Slide-Image-Datei, typischerweise 1 bis 3 Gigabyte groß.

Schritt 2 — KI-Analyse. Der KI-Algorithmus — ein Deep Learning-Modell, in der Regel auf Basis von Computer Vision-Architekturen wie ResNet oder ViT — analysiert den gesamten Schnitt in gekachelten Segmenten. Er klassifiziert Geweberegionen nach Malignität-Wahrscheinlichkeit und gibt einen Gesamt-Score aus (z. B. 0 bis 1). Dieser Schritt dauert je nach System 30 Sekunden bis 3 Minuten je Objektträger.

Schritt 3 — Priorisierung im LIS. Der Score wird an das Laborinformationssystem (LIS) übergeben. Das LIS sortiert die Befundungsqueue neu: hoher Score = oben, Routinefälle = unten. Der Pathologe sieht die Queue in priorisierter Reihenfolge — optional mit einem Heatmap-Overlay, das zeigt, welche Regionen der Algorithmus als krebsverdächtig markiert hat.

Der Algorithmus entscheidet nichts. Er sortiert. Die Diagnose liegt ausschließlich beim Pathologen. Das ist keine juristische Formulierung — es ist auch technisch korrekt: Das System hat keine Ground-Truth-Diagnose, es hat einen Wahrscheinlichkeitsscore. Der Pathologe verifiziert, korrigiert und signiert.

Wichtig zu verstehen: Nicht jeder Score-Wert ist für jeden Gewebetyp gleich kalibriert. Ein Algorithmus, der auf Prostata-Stanzbiopsien validiert wurde, ist nicht automatisch auf Lymphknoten anwendbar. Jeder Gewebetyp erfordert eine eigene Validierung — das ist regulatorisch verpflichtend und fachlich notwendig.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Regulatorische Wirklichkeit: MDR, EU AI Act und klinischer Alltag

Das ist der Abschnitt, den viele Projektleiter zu spät lesen — und der das Projekt dann auf 24 Monate verlängert.

Medizinprodukterechtliche Klassifizierung

KI-basierte Triagesoftware für die Pathologie ist kein einfaches IT-Werkzeug. Sie fällt unter die EU-Medizinprodukteverordnung (MDR 2017/745) als In-vitro-Diagnostikum (IVD) oder Medizinprodukt der Klasse IIa bis IIb — je nachdem, ob das System ausschließlich zur Priorisierung oder zur diagnostischen Entscheidungsunterstützung eingesetzt wird. Klasse IIa erfordert zwingend eine Benannte Stelle (Notified Body) für die CE-Zertifizierung; eine Selbstzertifizierung ist nicht möglich.

In der Praxis bedeutet das: Du kannst keinen beliebigen KI-Algorithmus „einfach laufen lassen”. Jedes System, das in den klinischen Befundungsworkflow eingreift — auch wenn es nur Prioritätsstufen vergibt —, muss entweder selbst CE-IVD-zertifiziert sein, oder das Institut muss als Hersteller auftreten und den gesamten MDR-Konformitätsprozess durchlaufen. Letzteres ist für die meisten Kliniken nicht realistisch.

Validierungspflicht im eigenen Labor

Selbst für CE-zertifizierte Produkte gilt: Das System muss im eigenen Labor validiert werden. Die CAP (College of American Pathologists) schreibt Mindestfallzahlen vor — 60 Fälle für H&E-Standardfärbungen, mindestens 20 für jeden Hilfstechniker-Typ. In Deutschland kommt hinzu, dass Laborleitlinien der DGPA (Deutsche Gesellschaft für Pathologie) einzuhalten sind. Diese Validierung ist kein Formalakt, sondern eine echte Studie mit eigenem Datensatz, Referenzpathologie und Auswertungsprotokoll.

EU AI Act: Hochrisiko-Einstufung

Seit Anwendungsbeginn des EU AI Act (2025) ist KI in der medizinischen Diagnostik als Hochrisiko-KI-System eingestuft (Anhang III, Punkt 5). Das bedeutet zusätzliche Anforderungen an Transparenz, menschliche Aufsicht, Technische Dokumentation und Konformitätsbewertung — über die MDR-Anforderungen hinaus. Für Produkte, die bereits CE-IVD-zertifiziert sind, gibt es Überschneidungsregelungen; für Neuentwicklungen im eigenen Haus ist die Regulierungslast erheblich.

Was das praktisch bedeutet

Kaufe keine KI-Lösung ohne CE-IVD-Kennzeichnung für deinen Anwendungsfall. Frage jeden Anbieter explizit: „Für welche Gewebetypen und welchen genauen Verwendungszweck ist dieses System CE-zertifiziert?” Eine CE-Kennzeichnung für Bildverwaltung (PACS) ist keine CE-Kennzeichnung für KI-gestützte Diagnoseunterstützung. Diese Unterscheidung ist entscheidend.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Konkrete Werkzeuge — was wann passt

Der Markt für Digitalpathologie-KI ist kleiner und regulierter als der allgemeine KI-Markt. Die Hürde ist hoch — CE-IVD-Zertifizierung schließt viele Lösungen aus, die in der Forschung interessant sind, aber im klinischen Alltag nicht eingesetzt werden dürfen.

Paige — für Prostata, GI und Brust mit klinisch validiertem System

Paige war das erste Unternehmen weltweit, das FDA-Zulassung für KI-gestützte Primärdiagnose in der Pathologie erhalten hat (Prostata, 2021). Die CE-IVD-Kennzeichnung für Europa ist vorhanden. Klinische Daten sind robust: In der CONFIDENT-P-Studie (JCO Clinical Cancer Informatics, 2024) stieg die Sensitivität von Pathologen mit Paige-Unterstützung von 88,7 auf 96,6 Prozent — bei gleichzeitiger Zeitreduktion um 65,5 Prozent je Slide. Das Produkt-Portfolio deckt heute Prostata, Magen-Darm-Trakt, Brust und Lunge ab. Für diese Gewebetypen ist Paige die sicherste regulatorische Wahl. Einschränkung: Nicht alle Biopsietypen sind abgedeckt — Lymphknoten, Weichteiltumore, seltene Entitäten liegen außerhalb der aktuellen CE-Abdeckung.

PathAI AISight — als offene Plattform für mehrtypige Institute

PathAI AISight ist weniger ein spezialisierter Algorithmus als eine offene Plattform, auf der verschiedene KI-Modelle — eigene wie fremde — integriert werden können. CE-Kennzeichnung für die EU seit 2025. Besonders sinnvoll für Institute, die mehrere Gewebetypen abdecken wollen und nicht auf einen einzelnen Algorithmus setzen möchten. Labcorp hat AISight 2025 für seinen gesamten US-Laborverbund lizenziert — ein Hinweis auf Skalierbarkeit im Routinebetrieb. Nachteil: Die offene Architektur bedeutet auch, dass die Algorithmenauswahl und -validierung beim Institut liegt. Das ist Flexibilität — aber auch Verantwortung.

Leica Aperio GT450Dx / Hamamatsu S360 — Scanner als Voraussetzung, nicht als Lösung

Ohne Digitalisierung kein digitale Triage. Hochdurchsatz-Scanner sind die Infrastrukturvoraussetzung des gesamten Workflows. Leica Aperio GT450Dx und Hamamatsu S360 sind die in deutschen Universitätskliniken am häufigsten eingesetzten Systeme (laut Sectra-Analyse 2023). Kosten: 100.000 bis 250.000 Euro je Scanner, abhängig von Throughput und Ausstattung. Institute mit weniger als 500 Slides pro Woche sollten vorab prüfen, ob Shared-Scanning-Modelle (Zusammenarbeit mit Nachbarinstituten) eine Alternative zur Vollausstattung sind.

MIKAIA (Fraunhofer IIS) — als Forschungs- und Validierungsplattform

Das Fraunhofer-Institut für Integrierte Schaltungen (IIS) hat mit MIKAIA ein KI-Bildanalyse-Framework für die digitale Pathologie entwickelt. Für klinische Routinebefundung ist MIKAIA aktuell keine Option (fehlende MDR-Zulassung), aber für die Validierungsphase, das Training eigener Modelle oder die Evaluation kommerzieller Algorithmen auf eigenen Datensätzen kann MIKAIA als Forschungswerkzeug wertvoll sein. Relevant für Unikliniken mit eigener Forschungsabteilung.

Zusammenfassung: Wann welcher Ansatz

• Prostata, GI, Brust — CE-Abdeckung gesucht → Paige
• Mehrtypige Institute, Plattformansatz — → PathAI AISight
• Kein Digitalisierungs-Setup vorhanden → zuerst Scanner-Infrastruktur aufbauen
• Forschungskontext, eigene Modellentwicklung → MIKAIA (Fraunhofer IIS)

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Datenschutz und Datenhaltung

Pathologiepräparate und digitale Schnitte sind Gesundheitsdaten im Sinne von DSGVO Art. 9 — besonders sensibel, besonders streng reguliert. Sobald ein Whole-Slide-Image in einem Cloud-System verarbeitet wird, greift nicht nur die DSGVO, sondern auch Landes-Krankenhausgesetze, die in einigen Bundesländern Datenlokalisierungspflichten für Patientendaten festschreiben.

Welche Daten wo landen

Ein digitaler Schnitt enthält keine direkt identifizierenden Informationen im Bild selbst — aber die Metadaten (Patientenname, Geburtsdatum, Einsendernummer, Befunddatum) sind mit jedem Slide verknüpft. Wenn das KI-System diese Metadaten zur Verarbeitung erhält, gelten alle Anforderungen für personenbezogene Gesundheitsdaten.

Paige und PathAI AISight sind beide US-ansässige Unternehmen. EU-Datenresidenz ist technisch möglich, aber vertraglich explizit zu vereinbaren. Ohne eine entsprechende Klausel im Vertrag landen Daten auf US-Servern — das ist für ein deutsches Universitätsklinikum ohne Standardvertragsklauseln (SCC) und datenschutzrechtliche Folgenabschätzung (DSFA) nicht zulässig.

Was du vor dem Vertragsabschluss klären musst

Vor jeder Verarbeitung — und insbesondere vor jedem Datenexport an Anbieter (Training, Modellvalidierung, Auditing) — sind die Metadaten zu pseudonymisieren oder vollständig zu anonymisieren. Direkt identifizierende Felder (Name, Geburtsdatum, Einsendernummer) gehören nicht in das Verarbeitungsumfeld der KI-Plattform.

• Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO — zwingend mit jedem Anbieter
• Nachweis der EU-Datenresidenz oder SCC für Drittlandübermittlung
• Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO — bei systematischer Verarbeitung von Gesundheitsdaten in der Regel Pflicht
• Einbindung des Datenschutzbeauftragten des Klinikums vor Pilotstart, nicht danach
• Prüfung der Landes-Krankenhausgesetze (Bayern, NRW, Hamburg haben unterschiedliche Regelungen)

On-Premise als datenschutzrechtlich sauberste Option

Für Institute mit starker IT-Infrastruktur ist eine vollständig on-premise betriebene Lösung — Scanner + lokale KI-Inference + lokales LIS — die datenschutzrechtlich einfachste Konfiguration. Kein Drittlandtransfer, kein Cloud-AVV, vollständige Datensouveränität. Der Preis: höherer initialer Infrastrukturaufwand und lokale Maintenance-Verantwortung für das Modell.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Was es kostet — realistisch gerechnet

Das ist kein Use Case für knappe Budgets. Die Initialinvestition ist erheblich, und der ROI ist klinisch, nicht direkt wirtschaftlich.

Infrastruktur (einmalig)

• Whole-Slide-Scanner: 100.000–250.000 Euro je Gerät (Leica Aperio GT450Dx, Hamamatsu S360); bei 1.000 Slides/Woche werden 2–4 Scanner benötigt
• Speicherinfrastruktur: ca. 1–3 GB je Slide; bei 50.000 Slides/Jahr ca. 50–150 TB Speicherbedarf — 20.000–60.000 Euro für NAS/SAN-Infrastruktur
• LIS-Integration und IT-Projekt: 30.000–80.000 Euro, abhängig von LIS-System und Komplexität

KI-Lizenz (laufend)

• Paige und PathAI AISight: Keine öffentlichen Listenpreise. Erfahrungswerte aus dem US-Markt: 1–5 USD je analysierten Slide, oder Jahresvertrag auf Volumenbasis. Bei 50.000 Slides/Jahr und 2 USD/Slide: ca. 100.000 USD/Jahr. In Deutschland verhandelt üblicherweise das Klinikum-Einkauf direkt mit dem Anbieter — Spielraum bei Volumenstaffel.
• Gesamte Implementierungskosten (inkl. IT-Projekt, Validierung, Training): laut Studie der PMC-Publikation 2025 zwischen 100.000 und 5.000.000 USD je nach Institutstiefe. Für ein deutsches Uniklinikum ist ein realistischer Rahmen 500.000 bis 1.500.000 Euro für das Erstprojekt (Scanner + Software + Integration + Validierung).

Was du dem gegenüberrechnen kannst

Der wirtschaftliche ROI ist nicht über Kostensenkung zu rechnen — es gibt keinen direkten Personalabbau. Der Nutzen liegt in:

• Klinischer Effizienz: Onkologieteams können Therapieentscheidungen schneller treffen. Bei einem vermiedenen stationären Tag (ca. 800–1.200 Euro in Deutschland) beginnt die Rechnung sich zu verschieben.
• Haftungsrisiken: Ein verzögerter Krebsbefund ist ein potenzielles Haftungsrisiko. Die Dokumentation einer systematischen Priorisierung ist eine Schutzmaßnahme.
• Forschungsattraktivität: Digitale Pathologie ist Voraussetzung für Forschungspartnerschaften, klinische Studien und EU-Förderprogramme (Horizon Europe, BMBF-Medizininformatik-Initiative).

Für Kliniken unterhalb von 500 Slides/Woche ist die Kostenstruktur nahezu sicher nicht ROI-positiv im betriebswirtschaftlichen Sinne. Ehrlich gesagt: Dieser Use Case rechnet sich primär klinisch und strategisch — nicht buchhalterisch.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Vier typische Einstiegsfehler

1. Den regulatorischen Prozess unterschätzen.

Die häufigste Ursache für gescheiterte oder verzögerte Implementierungen ist nicht die Technologie — es ist die Unterschätzung des MDR-Konformitätsprozesses. Teams, die mit einem 6-Monat-Plan starten, sind nach 12 Monaten noch in der Validierungsphase. Korrekte Planung: MDR-Beratung (ein auf Medizinprodukte spezialisierter Jurist oder Regulatory-Affairs-Berater) im ersten Schritt — nicht nach der Anbieterauswahl.

2. Das LIS wird zuletzt adressiert.

Die KI-Pipeline endet im LIS. Das LIS ist der Ort, an dem die Priorisierung im Alltag sichtbar wird — oder nicht. Viele Legacy-LIS-Systeme wurden nicht für strukturierte KI-Scores konzipiert: Sie verarbeiten keine Confidence-Werte, sie kennen keine dynamischen Queues, sie haben keine API. Die Integration ist oft das aufwendigste und zeitkritischste Element des Projekts. Wer das LIS erst im Monat 8 des 12-Monat-Projekts betrachtet, hat ein Problem.

Ein PMC-Review (2025) zu Implementierungsbarrieren in der digitalen Pathologie identifiziert LIS-Integration explizit als häufigsten operativen Flaschenhals — nicht die KI selbst.

3. Scanner-Kompatibilität wird angenommen, nicht geprüft.

Nicht jeder KI-Algorithmus läuft auf jedem Scanner. Paige unterstützt ausgewählte Leica-Aperio-Modelle und Hamamatsu-Scanner; PathAI AISight hat eine eigene Kompatibilitätsliste. Scanner, die du bereits hast, sind nicht automatisch kompatibel. Diese Prüfung muss vor der Anbieterauswahl stehen, nicht danach.

4. Das System wird eingeführt — aber nicht validiert und gepflegt.

Das ist die gefährlichste Form des Scheiterns, weil sie lautlos passiert. Ein KI-Modell, das auf einem externen Trainingsdatensatz gelernt hat, performt unter Umständen schlechter auf eurem spezifischen Gewebetyp-Mix, eurer Fixierungspraxis, eurem Färbeprotokoll. Ohne laufendes Monitoring — wie oft gibt das System falsch-negative Scores? Wie häufig werden KI-Priorisierungen vom Pathologen revidiert? — weißt du nicht, ob das System noch so gut funktioniert wie bei der Einführung. Modelldrift ist in der Pathologie real: Wenn das Labor sein Färbeprotokoll ändert, kann das die Leistung des Algorithmus beeinflussen.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Was mit der Einführung wirklich passiert — und was nicht

In der Pathologie ist der Widerstand gegen digitale Workflows oft stärker und fachlicher begründet als in anderen Klinikbereichen. Das ist kein Konservativismus — es ist professionelle Skepsis gegenüber Systemen, die in das Kerngeschäft der Diagnosequalität eingreifen.

Das Lupe-und-Glasobjektträger-Problem

Viele erfahrene Pathologen haben in ihrer Ausbildung ausschließlich am Lichtmikroskop gearbeitet. Digitale Schnitte auf einem Monitor zu befunden ist nicht automatisch gleichwertig — Farbtiefe, Fokusschärfe, Scrollgeschwindigkeit und das Fehlen des dreidimensionalen Fokusierens sind echte Unterschiede, die Eingewöhnungszeit brauchen. Der Rollout muss diese Anpassungsphase einkalkulieren: Pilotpathologinnen und -pathologen sollten in der Anfangsphase parallel auf Glas und digital befunden können.

Die Vertrauensfrage bei der KI-Score

„Wenn der Score 0,8 anzeigt, aber ich sehe in 30 Sekunden, dass es kein Krebs ist — ignoriere ich dann das System?” Diese Frage stellt sich jede Pathologin in der ersten Woche. Die Antwort ist: Ja, natürlich. Der KI-Score ist kein Befehl, er ist ein Hinweis. Aber dieser Hinweis muss durch tatsächlich korrekte Fälle Vertrauen aufgebaut haben. Der erste echte falsch-positive Fall, der die Queue verstopft, kostet das System einen erheblichen Teil seiner Glaubwürdigkeit — und der erste falsch-negative Fall, der von der KI als grün eingestuft wird und sich als Malignom herausstellt, kostet noch mehr.

Die Vertrauensphase braucht aktives Management: Wöchentliche Auswertung der Score-Verteilung in den ersten 3 Monaten, Transparenz über Fehlklassifikationen, offene Diskussion in der Abteilungsbesprechung.

Was konkret hilft

• Einen fachlich starken Pathologin oder Pathologen als „KI-Champion” benennen — jemanden, der das System versteht und gegenüber Kolleginnen und Kollegen erklären kann, was es tut und was nicht
• Den Pilotstart auf einen gut verstandenen Gewebetyp beschränken (z. B. ausschließlich Prostata-Stanzbiopsien) — nicht das gesamte Spektrum auf einmal
• Monatliche Berichte über Triage-Performance: Wie viele Hochrisikofälle wurden korrekt nach oben sortiert? Wie viele wurden vom System falsch eingestuft? Diese Transparenz baut Vertrauen — und zeigt, wo nachgesteuert werden muss
• MTLA-Team frühzeitig einbinden: Die medizinisch-technischen Laborassistentinnen und -assistenten sind die ersten, die täglich mit dem System in Berührung kommen — beim Einlegen der Slides in den Scanner. Ihre Beobachtungen (Abweichungen in der Scan-Qualität, Fehler beim Barcode-Lesen, Probleme mit bestimmten Gewebedickenschwankungen) sind wertvoller Frühindikator für Systemprobleme

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Realistischer Zeitplan mit Risikohinweisen

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Häufige Einwände — und was dahintersteckt

„Wir haben ja noch keine Digitalscanner — das ist noch weit weg.”

Das ist kein Einwand, das ist eine Bestandsaufnahme. Die Frage ist: Wann beginnt ihr mit der Digitalisierung? Ohne Scanner gibt es keine KI-Triage — das ist richtig. Aber das Projekt „Scanner-Rollout” und das Projekt „KI-Triage” sind unterschiedliche Projekte mit unterschiedlichen Bewilligungszyklen. Wer jetzt mit der regulatorischen Vorbereitung und Anbieterauswahl beginnt, kann die KI-Integration synchron zur Scanner-Einführung planen — statt sie als zweites, separates Projekt hinterherzuziehen.

„KI macht Fehler — wir dürfen da kein Risiko eingehen.”

Richtig. KI macht Fehler. Aber das manuelle First-in-first-out-System macht auch Fehler — systematische, nicht zufällige. Es priorisiert den Montag-Einsender, der angerufen hat, gegenüber dem Dienstag-Einsender mit dem aggressiveren Tumor, der nicht angerufen hat. Die Frage ist nicht „KI vs. keine Fehler” — sondern „Welches Fehlermuster ist klinisch akzeptabler?” Ein KI-System mit nachgewiesener 96,6-prozentiger Sensitivität für Prostata-Karzinom ist besser als das implizite Zufallsprinzip der aktuellen Queue. Beide Systeme brauchen ärztliche Aufsicht. Nur eines davon ist transparent und auditierbar.

„Das ist viel zu teuer für unser Institut.”

Für kleine bis mittelgroße pathologische Institute (unter 500 Slides/Woche) ist das korrekt: Der Use Case rechnet sich bei dieser Größenordnung nicht. Alternativen: Konsortialmodell mit Nachbarinstituten (geteilte Scanner, gemeinsam lizenzierter Algorithmus), Anbindung an ein Netzwerk eines Universitätsklinikums, oder zunächst die Digitalisierung ohne KI-Triage einführen. Aber für Universitätsinstitute und überregionale Labore mit über 800 Einsendungen pro Woche ist die Frage weniger „Können wir das?” — sondern „Wie lange können wir uns leisten, es nicht zu tun?”

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Woran du merkst, dass das zu dir passt

Du bist bereit, wenn:

• Dein Institut verarbeitet mehr als 500 Einsendungen pro Woche — unterhalb dieser Schwelle ist die Kostenstruktur kritisch
• Onkologische Fälle machen einen signifikanten Anteil eures Einsendungsspektrums aus — mindestens Prostata, GI oder Brust, für die CE-zertifizierte Algorithmen existieren
• Digitalpathologie-Infrastruktur ist bereits vorhanden oder konkret geplant — ohne Scanner kein Einstieg
• Euer Klinikum hat ein IT-Team, das LIS-Integrationsprojekte stemmen kann — die Integration ist das kritischste Teilprojekt
• Euer Datenschutzbeauftragter und die Ärztliche Direktion sind aktiv eingebunden — ohne diese Rückendeckung blockiert das Projekt in der Zulassungsphase
• Ihr habt oder plant Budget für 3–5 Jahre Investitionsplanung — das ist kein 6-Monats-Projekt

Drei harte Ausschlusskriterien:

1. Institutsgröße unter 300 Slides pro Woche. Bei diesem Volumen sind Scannerkosten, Lizenzgebühren und LIS-Integration nicht refinanzierbar. Selbst bei optimistischen Annahmen erstreckt sich die Amortisation über mehr als 7 Jahre — ein Zeitraum, in dem das System möglicherweise schon obsolet ist. Für kleinere Institute ist ein Shared-Services-Modell mit einem Netzwerkpartner die wirtschaftlichere Option.

2. Kein klarer Entscheidungsträger für die MDR-Konformität. Wenn niemand in eurem Institut weiß, wer den MDR-Konformitätsprozess verantwortet — und dazu keinen Regulatory-Affairs-Berater hinzuziehen kann —, wird das Projekt nicht durch die interne Hürde kommen. Digitalpathologie-KI ist regulatorisch eines der anspruchsvollsten Projekte im klinischen Alltag. Ohne kompetente Führung im Regulatory-Prozess ist das Scheitern vorprogrammiert.

3. LIS mit proprietärem closed-system ohne API-Schnittstelle. Wenn euer Laborinformationssystem keine programmierbare Schnittstelle für externe Systeme bietet, lässt sich die KI-Prioritätsinformation nicht in den Befundungsworkflow integrieren. Das System würde als paralleles Werkzeug laufen — ein Extra-Bildschirm, den Pathologen vielleicht benutzen oder nicht. Das ist kein Triage-System, das ist eine Visualisierungsplattform. Kläre die LIS-API-Fähigkeit in Woche 1 des Projekts.

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Das kannst du heute noch tun

KI-Triage brauchst du nicht zu evaluieren, bevor die regulatorischen Hausaufgaben gemacht sind. Aber du kannst heute damit beginnen, das Ausmaß eures Priorisierungsproblems zu messen — eine Aufgabe, die unabhängig von KI Sinn ergibt.

Analysiere die letzten 100 Einsendungen mit onkologischem Befund: Wie viele Tage lagen zwischen Eingang und Befund? Wie verteilt sich diese Wartezeit? Gab es Fälle, in denen die Onkologie bereits mit einer Therapieannahme begonnen hatte, bevor der Befund vorlag? Diese Analyse kostet euch eine Arbeitsstunde im LIS — und liefert die empirische Grundlage für jeden Projektantrag und jedes Budget-Gespräch.

Der folgende Prompt hilft dabei, die Metadaten einer Einsendungsliste nach klinischer Dringlichkeit zu strukturieren — als erster Schritt zu einem regelbasierten Priorisierungsansatz, bevor KI ins Spiel kommt:

Diese Darstellung ist eine fachliche Orientierung, kein Medizin- oder Rechtsersatz. KI-Systeme in der Pathologie unterliegen der MDR-Klassifizierung und dürfen klinische Diagnosen nur unter ärztlicher Verantwortung und Aufsicht unterstützen.

Quellen & Methodik

• CONFIDENT-P-Studie: Prospective Clinical Implementation of Paige Prostate Detect Artificial Intelligence Assistance in the Detection of Prostate Cancer in Prostate Biopsies: CONFIDENT P Trial. JCO Clinical Cancer Informatics, 2024. DOI: 10.1200/CCI-24-00193. Zentrale Daten: +7,9 Prozent Sensitivität mit KI-Unterstützung, 65,5 Prozent Zeitreduktion je Slide.
• Turnaround-Zeiten und Triage-Simulation: Discrete-event simulation study on breast biopsy triage AI. medRxiv Preprint, 2025 (nicht peer-reviewed). Ergebnis: 38,2 Prozent Reduktion der Turnaround-Zeit für Hochrisikofälle (7,2 → 4,5 Tage).
• Implementierungsbarrieren und Kostenrahmen: “Digital and Artificial Intelligence-based Pathology: Not for Every Laboratory — A Mini-review on the Benefits and Pitfalls of its Implementation.” PMC, 2025. Schlüsselaussage: Implementierungskosten 100.000–5.000.000 USD; Break-even erst ab großen Volumina; LIS-Integration als häufigster operativer Flaschenhals.
• Universitätsklinikum Tübingen: Pressemitteilung “Deutschlandweit zweite digitale Pathologie an einem Uniklinikum startet”. Medizin Uni Tübingen, 2021. Digitalisierungsbudget über 3 Millionen Euro über 3 Jahre.
• MDR-Klassifizierung: EU-Medizinprodukteverordnung 2017/745 (MDR), Anhang VIII, Klassifizierungsregeln 11 und 10. Johner Institut, “MDR Regel 11: Der Klassifizierungs-Albtraum?” (Blog, 2024).
• PathAI AISight CE-Kennzeichnung und Quest-Kooperation: PathAI Pressemitteilung, Februar 2025; PathAI AISight German-language product page, April 2026.
• Paige FDA-Zulassung und Klinische Validierung: Paige Prostate: First FDA-authorized AI software for digital pathology, 2021; klinische Validierungsstudie PMC 2021 (PMC8252036). Sensitivität 98,9 Prozent (Slide-Level), Spezifität 93,3 Prozent.
• Scanner-Kosten: Vergleich Whole-Slide-Scanner-Modelle (Lumea Digital, 2024); Hamamatsu/Leica Preisrahmen 110.000–270.000 USD für Hochdurchsatz-Systeme.
• DSGVO Art. 9: Datenschutz-Grundverordnung in der aktuell gültigen Fassung. Art. 35: Datenschutz-Folgenabschätzung.

Du willst wissen, ob der Use Case für dein Institut realistisch ist — Slide-Volumen, Gewebetyp-Mix, LIS-System? Meld dich — wir schauen gemeinsam, was in eurem Kontext sinnvoll ist und was nicht.