Unilabs: KI in Pathologie und Mammographie-Screening

Unilabs ist ein europäischer Anbieter von Diagnosedienstleistungen mit Labors und Bildgebungseinheiten in mehreren Ländern. Zwei strukturelle Herausforderungen prägen den Kontext: In der Pathologie wächst das Volumen an Gewebeproben, während spezialisierte Pathologen knapp sind. In der Mammographie-Früherkennung fehlt es in Schweden, wie in vielen anderen Ländern, an Brustradiologen; dort werden jährlich rund eine Million Frauen zur Mammographie eingeladen, und die Standardauswertung erfordert zwei Fachärzte pro Aufnahme.

**Pathologie:** Unilabs hat eine Partnerschaft mit Ibex Medical Analytics geschlossen und rollt deren KI-Plattform Galen in Pathologielabors in 16 europäischen Ländern aus, beginnend mit Schweden. Die Plattform analysiert Gewebebiopsien in Echtzeit und liefert Informationen zu Tumorgrad und -größe. Zusätzlich stellt Galen Arbeitslisten zur Fallpriorisierung sowie Krebs-Heatmaps bereit, die die diagnostische Genauigkeit erhöhen sollen. Die Plattform ist CE-markiert für die Erkennung von Brust- und Prostatakrebs.

**Mammographie-Screening:** Am Unilabs Mammography Unit in Malmö ist Kristina Lång, Forscherin und außerordentliche Professorin für diagnostische Radiologie an der Universität Lund, als Konsiliarärztin tätig. Sie leitet die randomisierte MASAI-Studie (Mammography Screening with Artificial Intelligence), die seit Frühjahr 2021 läuft. In der Studie identifiziert KI Mammographien mit erhöhtem Krebsrisiko; diese werden anschließend von zwei Brustradiologen ausgewertet. Mammographien mit geringerem Risiko werden nur von einem Radiologen beurteilt, in beiden Fällen unterstützt KI durch Markierung auffälliger Befunde.

Die Galen-Plattform von Ibex stützt sich auf Machine-Learning-Algorithmen zur Auswertung von Gewebeproben. Laut Unternehmensangaben wurde die Technologie vor der Partnerschaft einer eingehenden Evaluation bei Unilabs unterzogen.

In der MASAI-Studie übernimmt KI eine zweistufige Funktion: Risikostratifizierung der eingehenden Aufnahmen sowie visuelle Unterstützung der Radiologen durch Hervorhebung verdächtiger Befunde. Die Studie basiert auf Daten von knapp 106.000 gescreenten Frauen, die randomisiert entweder dem KI-gestützten oder dem konventionellen Screening-Arm zugeteilt wurden.

Die im Februar 2025 im Fachjournal *The Lancet Digital Health* veröffentlichten Ergebnisse des zweiten MASAI-Berichts zeigen:

- KI-gestütztes Screening erkannte **29 % mehr Krebsfälle** als das konventionelle Verfahren (338 gegenüber 262 Personen). - Frühinvasive Karzinome wurden **24 % häufiger** entdeckt (270 gegenüber 217 Personen). - Präkanzeröse In-situ-Läsionen wurden **51 % häufiger** detektiert (68 gegenüber 45 Personen); ein großer Anteil der zusätzlichen In-situ-Fälle entfiel auf den schwereren Typ. - Die Zahl der falsch-positiven Befunde stieg lediglich um **1 %** (sieben zusätzliche Personen im KI-Arm). - Die Arbeitsbelastung der Brustradiologen sank um **44 %**.

„Eine falsch-positive Diagnose bedeutet, dass eine Frau zur weiteren Abklärung einbestellt wird, sich dann aber als krebsfrei herausstellt. Das kann für die betroffenen Frauen sehr belastend sein. Aber nur sieben mehr Personen, was einem Anstieg von 1 % entspricht, erhielten diese Fehlalarme in der KI-gestützten Gruppe im Vergleich zur Kontrollgruppe", wird Kristina Lång in der Pressemitteilung der Universität Lund zitiert.

Die Ergebnisse der MASAI-Studie haben bereits zur Implementierung von KI-Unterstützung in mehreren regionalen Screening-Programmen in Schweden beigetragen.

Unilabs verfolgt in zwei zentralen Diagnosebereichen, Pathologie und Mammographie, parallele KI-Initiativen. In der Pathologie erfolgt dies über eine kommerzielle Partnerschaft mit einem zertifizierten Anbieter und einen Rollout in 16 Ländern. Im Mammographie-Screening ist Unilabs über die klinische Infrastruktur in Malmö an einer randomisierten Studie beteiligt, deren Ergebnisse in einem renommierten Fachjournal publiziert wurden und regulatorisch wirksam werden. Beide Vorhaben adressieren denselben Engpass: zu wenig Fachpersonal für ein wachsendes Untersuchungsvolumen bei gleichzeitig hohem Fehlerkostenrisiko.