Robuste KI für multimodale und longitudinale Daten in der Onkologie

Modelle der Künstlichen Intelligenz erreichen in der Onkologie auf bildgebenden und zunehmend auch multimodalen Daten Facharztniveau, arbeiten jedoch i. d. R. als Blackbox. Vollständige Erklärbarkeit ist keine zwingende Voraussetzung für den klinischen Einsatz, wohl aber empirische Belastbarkeit und Übertragbarkeit über Zentren hinweg. Dieser Beitrag zeichnet den Weg von der Mustererkennung zur belastbaren Entscheidungsgrundlage nach: Explainable AI öffnet die Blackbox und stützt Plausibilitätsprüfungen, Regulatorik und Vertrauen, ersetzt aber keine empirische Validierung. Kausale und hybride Ansätze gehen einen Schritt weiter und prüfen, ob gelernte Zusammenhänge auch unter veränderten Bedingungen Bestand haben – eine Voraussetzung für robuste, übertragbare Modelle. Die von der Deutschen Krebshilfe geförderten Projekte ONCOnnect und ONCOverse liefern wiederum die Dateninfrastruktur, um solche Modelle multizentrisch zu entwickeln und zu validieren.