Eine Pathologie-KI, die man einfach fragen kann. A pathology AI you can simply ask.

Was ist passiert?What happened?

Digitale Pathologie-Modelle wurden bislang für jede Aufgabe einzeln trainiert: eines für Prostatakarzinome, eines für Brustkrebs, eines für Lymphknotenmetastasen. PRISM2 (Erstautor Siqi Liu; Paige, inzwischen Teil von Tempus, gemeinsam mit Microsoft Research) verfolgt einen anderen Weg — ein Modell, das man in natürlicher Sprache befragt.

Aus den 685.507 klinischen Befundberichten wurden rund 14 Millionen Frage-Antwort-Paare erzeugt, die dem Modell diagnostisches Argumentieren beibringen sollen. Im Ergebnis genügt eine Ja/Nein-Frage an das Modell, um eine Aufgabe zu stellen, für die bisher ein eigenes Spezialmodell nötig war.

Der Vergleich mit zugelassenen ProduktenThe comparison with approved products

Gemessen wurde gegen drei klinisch eingesetzte Produkte: Paige Prostate (FDA-De-Novo-Zulassung), Paige Breast und Paige BLN (FDA Breakthrough Device Designation); alle drei sind CE-IVD- und UKCA-gekennzeichnet. Gegenüber Paige BLN war PRISM2 überlegen, bei Prostata und Brust gleichwertig (jeweils p < 0,05).

Für die Prognose wurde ein Datensatz von 225.597 Fällen mit Gesamtüberlebensdaten von knapp 100.000 Patienten genutzt; das feinabgestimmte Modell übertraf ein von Grund auf trainiertes Spezialmodell, etwa beim rezidivfreien Überleben nach Kolorektalkarzinom. Über die Diagnose-, Biomarker- und Überlebens-Benchmarks hinweg schnitten die PRISM2-Embeddings in keinem Fall statistisch schlechter ab als die Vorgängermodelle PRISM und TITAN.

Der Kontrapunkt: die ZulassungsrealitätThe counterpoint: the regulatory reality

Von 1.430 KI- und ML-Medizinprodukten, die die FDA zwischen 1995 und Dezember 2025 zugelassen hat, entfielen nur neun auf das Prüfpanel Pathologie — 0,6 Prozent. Auf die Radiologie entfielen 1.094, also 76,5 Prozent. Die Kluft zwischen Forschungsleistung und klinischer Zulassung ist in kaum einem Fachgebiet so groß wie hier.

Das hat handfeste Gründe: Pathologie-Schnitte werden je nach Labor unterschiedlich gefärbt, unterschiedlich geschnitten und mit unterschiedlichen Scannern digitalisiert. Ein Modell, das an einem Zentrum brilliert, kann an einem anderen deutlich abfallen.

FDA-Zulassungen für KI-MedizinprodukteFDA authorisations for AI medical devices

Was diese Studie nicht zeigtWhat this study does not show

Es handelt sich um eine retrospektive Benchmark-Studie. Es gibt keine prospektive klinische Prüfung und keinen Nachweis eines Patientennutzens; PRISM2 selbst hat keinerlei Zulassung. Trainings- und Bewertungsdaten stammen überwiegend aus einem Zentrum — in der Pan-Krebs-Bewertung 49 Prozent Memorial Sloan Kettering, 51 Prozent extern eingesandt, aber alle dort gescannt und befundet. Die Generalisierbarkeit auf andere Scanner, Färbeprotokolle und Labore ist damit offen.

Zwei weitere Einschränkungen gehören dazu: Die Trainings-Fragepaare wurden automatisch aus Befundtexten generiert, was Label-Rauschen einträgt. Und der Vergleich mit den kommerziellen Produkten erfolgte an fixen Arbeitspunkten. Ein Preprint existierte bereits seit Juni 2025 — neu ist die Begutachtung, nicht die Methode.

Ein Modell, das man fragen kann statt es zu trainieren, senkt die Schwelle für seltene Fragestellungen — dort, wo sich ein eigenes Spezialmodell nie gelohnt hätte.

Genau darin liegt der praktische Wert, falls sich die Ergebnisse extern bestätigen: nicht in besserer Prostatadiagnostik, sondern in den vielen kleinen Fragen, für die bisher niemand ein Modell gebaut hat.