Deep Dive KW 29 — KI in der Medizin: Diagnose, Drug Discovery & personalisierte Behandlung

KI in der Medizin: Diagnose, Drug Discovery & personalisierte Behandlung

In dieser Folge Deep Dive sprechen AI Enthusiast und Synthia über einen der wichtigsten Anwendungsbereiche künstlicher Intelligenz: die Medizin. Von KI-gestützter Diagnose über Drug Discovery mit AlphaFold bis hin zur personalisierten Behandlung — die Folge beleuchtet sowohl die Durchbrüche als auch die ethischen und regulatorischen Herausforderungen.

KI-gestützte Diagnose: Mehr als ein Hype?

Allein bei der FDA gibt es mittlerweile über 900 zugelassene KI-basierte Medizinprodukte. Die meisten davon sind Computer-Assisted Detection Tools, die Radiologen unterstützen, aber nicht ersetzen. Ein konkretes Beispiel: KI-Systeme bei Brustkrebs-Screenings haben Tumore erkannt, die menschliche Radiologen übersehen hatten — und gleichzeitig falsch-positive Befunde reduziert. Das bedeutet weniger unnötige Biopsien.

Allerdings zeigt eine Metaanalyse von 22 Studien, dass viele KI-Diagnostik-Studien methodische Schwächen aufweisen: kleine Stichproben, kein prospektives Design und kaum Belege dafür, dass die KI-Diagnose auch zu besseren Patientenergebnissen führt. Ein besonders positives Beispiel ist Viz.ai: Das System erkennt Schlaganfälle im CT und benachrichtigt automatisch den Neurologen — jede Minute zählt, und KI gewinnt Minuten, die Leben retten.

Drug Discovery: Von AlphaFold zum ersten KI-Medikament in Phase III

DeepMinds AlphaFold hat die Strukturbiologie revolutioniert: Über 200 Millionen Proteinstrukturen sind vorhergesagt, und 2024 erhielten Demis Hassabis und John Jumper dafür den Nobelpreis für Chemie. AlphaFold 3 kann zudem Interaktionen mit DNA, RNA und kleinen Molekülen vorhersagen — genau was die Medikamentenentwicklung braucht.

Isomorphic Labs, der DeepMind-Ableger, erhielt 2025 eine Investitionsrunde von 600 Millionen Dollar und hat Partnerschaften mit Johnson & Johnson und Novartis. Noch konkreter: Insilico Medicine hat mit Rentosertib (TNIK-Inhibitor gegen idiopathische Lungenfibrose) das erste KI-designte Medikament in Phase III gebracht — die letzte Studie vor der Zulassung. Insilico halbierte die Zeit von der Zielidentifikung bis zur klinischen Studie auf unter zweieinhalb Jahre.

• AlphaFold: 200+ Mio. Proteinstrukturen, Nobelpreis 2024
• Isomorphic Labs: 600 Mio. $ Investition, Partnerschaften mit J&J und Novartis
• Insilico Medicine: Rentosertib in Phase III, 2,5 Mrd. $ Partnerschaft, Takeda-Kollaboration

Personalisierte Medizin: Vom Genom zur elektronischen Patientenakte

Die Kosten für Genomsequenzierung sind von Millionen in den 90er Jahren auf unter 200 Dollar gefallen. KI macht diese Datenmengen analysierbar — ohne sie wären Milliarden von Basenpaaren nicht interpretierbar. Konkrete Anwendungen gibt es bereits: KI-Systeme helfen bei der Wahl der optimalen Chemotherapie für Krebspatienten und erkennen aus EKG-Daten Herzrhythmusstörungen, die Ärzte übersehen haben.

In Deutschland treibt das Bundesgesundheitsministerium die elektronische Patientenakte (ePA) als digitalen Einstiegspunkt voran — mit KI-gestützter Ersteinschätzung, Terminvermittlung und telemedizinischer Versorgung. Fast 130 Millionen Dokumente sind bereits verfügbar, das Ziel: 20 Millionen aktive Nutzer bis 2030.

Die Schattenseiten: Bias, Automation Bias und Datenschutz

Drei zentrale Kritikpunkte werden in der Folge diskutiert:

• Bias: KI-Systeme werden vorwiegend mit Daten weißer, westlicher Patienten trainiert. Hautkrebs-KI funktioniert auf dunkler Haut deutlich schlechter — genau die Bevölkerungsgruppen, die am meisten profitieren könnten, sind am stärksten gefährdet.
• Automation Bias: Ärzte vertrauen KI-Empfehlungen oft mehr als menschlichen Kollegen — selbst wenn die KI falsch liegt. Das kann in der Medizin tödlich sein.
• Datenschutz: Zentrale Gesundheitsdatenpools sind ein attraktives Ziel für Hacker. Ransomware-Angriffe auf Krankenhäuser sind bereits Realität. Federated Learning ist ein vielversprechender Ansatz, aber in der Praxis schwer umzusetzen.

Fazit: Augmentation statt Substitution

Die Folge kommt zu einem klaren Schluss: KI in der Medizin muss Augment, nicht Replace heißen. Das sogenannte Centaur-Modell — KI für Datenanalyse, der Arzt für Urteilsvermögen und das menschliche Gespräch — liefert die besten Ergebnisse. Dafür braucht es drei Dinge: solide Regulation, die Innovation nicht abwürgt, Investitionen in diverse Trainingsdaten und Aus- und Weiterbildung der Ärzte im Umgang mit KI. Der EU AI Act (seit August 2024) stuft medizinische KI als Hochrisiko ein — richtig, aber auch eine Hürde für kleine Start-ups.

💬 Feedback: https://aienthusiast.de/kontakt/