KI-Ansatz steigert Ovarialkrebs-Subtypklassifikation um 70 %

Histopathologische Subtypen von Eierstockkrebs sind entscheidend für die individuelle Therapieplanung. In Großbritannien steigen die diagnostischen Arbeitsbelastungen, sodass Pathologen vermehrt auf KI‑Lösungen zurückgreifen. Traditionelle Verfahren nutzen meist vorab berechnete, eingefrorene Bildmerkmale, während moderne Ansätze auf end‑to‑end Feature‑Extraktion setzen. Diese bieten zwar höhere Genauigkeit, sind jedoch bei der Skalierung und beim Experimentieren stark eingeschränkt.

In der aktuellen Studie wird ein neuer Ansatz vorgestellt, der die Klassifikation und Lokalisierung von Ovarialkrebs‑Subtypen mithilfe kontrastiver und prototypischer Lernmethoden realisiert. Dabei werden die bereits eingefrorenen Patch‑Features nicht verändert, sondern durch Feature‑Raum‑Augmentierungen erweitert. So bleibt die Trainingszeit kurz, während die Modellleistung signifikant gesteigert wird.

Im Vergleich zum etablierten DSMIL‑Modell erzielt das neue Verfahren einen F1‑Score‑Zuwachs von 70,4 % bei der Instanz‑klassifikation und 15,3 % bei der Slide‑klassifikation. Zusätzlich steigen die AUC‑Werte um 16,9 % für die Instanz‑lokalisierung und um 2,3 % für die Slide‑klassifikation. Diese Verbesserungen werden erreicht, ohne die Vorteile der eingefrorenen Patch‑Features zu verlieren.

Die Kombination aus hoher Genauigkeit, schneller Skalierbarkeit und geringer Rechenbelastung macht das Verfahren besonders attraktiv für Pathologieabteilungen, die mit steigenden Arbeitsaufkommen konfrontiert sind. Es eröffnet neue Möglichkeiten, die Diagnose von Eierstockkrebs effizienter und präziser zu gestalten.