*Result*: [Artificial intelligence in diagnostics-a pathology perspective].
Title:
[Artificial intelligence in diagnostics-a pathology perspective].
Transliterated Title:
KI in der Diagnostik – aus Sicht der Pathologie.
Authors:
Schulz S; Institut für Pathologie, Universitätsmedizin Mainz, Langenbeckstr. 1, 55131, Mainz, Deutschland., Jesinghaus M; Institut für Pathologie, Philipps-Universität Marburg und Universitätsklinikum Marburg, Marburg, Deutschland., Foersch S; Institut für Pathologie, Universitätsmedizin Mainz, Langenbeckstr. 1, 55131, Mainz, Deutschland. sebastian.foersch@unimedizin-mainz.de.
Source:
Pathologie (Heidelberg, Germany) [Pathologie (Heidelb)] 2026 Feb; Vol. 47 (1), pp. 42-47. Date of Electronic Publication: 2025 Dec 15.
Publication Type:
English Abstract; Journal Article; Review
Language:
German
Journal Info:
Publisher: Springer Medizin Country of Publication: Germany NLM ID: 9918384887506676 Publication Model: Print-Electronic Cited Medium: Internet ISSN: 2731-7196 (Electronic) Linking ISSN: 27317188 NLM ISO Abbreviation: Pathologie (Heidelb) Subsets: MEDLINE
Imprint Name(s):
Original Publication: [Heidelberg, Germany] : Springer Medizin, [2022]-
MeSH Terms:
References:
Bommasani R, Hudson DA, Adeli E, Altman R, Arora S, von Arx S, Bernstein MS, Bohg J, Bosselut A, Brunskill E, Brynjolfsson E, Buch S, Card D, Castellon R, Chatterji N, Chen A, Creel K, Davis QJ, Demszky D, Liang P (2021) On the Opportunities and Risks of Foundation Models. arXiv e‑prints, arXiv:2108.07258 https://doi.org/10.48550/arXiv.2108.07258. (PMID: 10.48550/arXiv.2108.07258)
Breen J, Allen K, Zucker K, Godson L, Orsi NM, Ravikumar N (2025) A comprehensive evaluation of histopathology foundation models for ovarian cancer subtype classification. NPJ Precis Oncol 9(1):33. https://doi.org/10.1038/s41698-025-00799-8. (PMID: 10.1038/s41698-025-00799-83988524311782474)
Chen RJ, Ding T, Lu MY, Williamson DFK, Jaume G, Song AH, Chen B, Zhang A, Shao D, Shaban M, Williams M, Oldenburg L, Weishaupt LL, Wang JJ, Le Vaidya ALP, Gerber G, Sahai S, Williams W, Mahmood F (2024) Towards a general-purpose foundation model for computational pathology. Nat Med 30(3):850–862. https://doi.org/10.1038/s41591-024-02857-3. (PMID: 10.1038/s41591-024-02857-33850401811403354)
Clusmann J, Ferber D, Wiest IC, Schneider CV, Brinker TJ, Foersch S, Truhn D, Kather JN (2025) Prompt injection attacks on vision language models in oncology. Nat Commun 16(1):1239. https://doi.org/10.1038/s41467-024-55631-x. (PMID: 10.1038/s41467-024-55631-x3989077711785991)
Clusmann J, Schulz SJK, Ferber D, Wiest IC, Fernandez A, Eckstein M, Lange F, Reitsam NG, Kellers F, Schmitt M, Neidlinger P, Koop P‑H, Schneider CV, Truhn D, Roth W, Jesinghaus M, Kather JN, Foersch S (2025) Incidental Prompt Injections on Vision—Language Models in Real-Life Histopathology. NEJM AI 2(6):AIcs2500078. https://doi.org/10.1056/AIcs2500078. (PMID: 10.1056/AIcs2500078)
El Nahhas OSM, van Treeck M, Wolflein G, Unger M, Ligero M, Lenz T, Wagner SJ, Hewitt KJ, Khader F, Foersch S, Truhn D, Kather JN (2025) From whole-slide image to biomarker prediction: end-to-end weakly supervised deep learning in computational pathology. Nat Protoc 20(1):293–316. https://doi.org/10.1038/s41596-024-01047-2. (PMID: 10.1038/s41596-024-01047-239285224)
European Medicines Agency Decision (AIM-NASH). https://www.ema.europa.eu/en/news/ema-qualifies-first-artificial-intelligence-tool-diagnose-inflammatory-liver-disease-mash-biopsy-samples.
Ferber D, El Nahhas OSM, Wolflein G, Wiest IC, Clusmann J, Lessmann ME, Foersch S, Lammert J, Tschochohei M, Jager D, Salto-Tellez M, Schultz N, Truhn D, Kather JN (2025) Development and validation of an autonomous artificial intelligence agent for clinical decision-making in oncology. Nat Cancer 6(8):1337–1349. https://doi.org/10.1038/s43018-025-00991-6. (PMID: 10.1038/s43018-025-00991-64048132312380607)
Foersch S, Eckstein M, Wagner DC, Gach F, Woerl AC, Geiger J, Glasner C, Schelbert S, Schulz S, Porubsky S, Kreft A, Hartmann A, Agaimy A, Roth W (2021) Deep learning for diagnosis and survival prediction in soft tissue sarcoma. Ann Oncol 32(9):1178–1187. https://doi.org/10.1016/j.annonc.2021.06.007. (PMID: 10.1016/j.annonc.2021.06.00734139273)
Foersch S, Schulz S (2024) Künstliche Intelligenz in der Pathologie: Status quo und Zukunftsperspektiven. Onkologie 30:362–371. https://doi.org/10.1007/s00761-024-01482-6. (PMID: 10.1007/s00761-024-01482-6)
Food & Drug Administration (2021) Decision (Paige Prostate). https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/denovo.cfm?id=DEN200080.
Food & Drug Administration (2024a) Decision (Galen Second Read). https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm?ID=K241232.
Food & Drug Administration (2024b) Decision (Genius Cervical AI Algorithm).
Forsch S, Klauschen F, Hufnagl P, Roth W (2021) Artificial Intelligence in Pathology. Dtsch Ärztebl Int 118(12):194–204. https://doi.org/10.3238/arztebl.m2021.0011. (PMID: 10.3238/arztebl.m2021.001134024323)
Huang SC, Chen CC, Lan J, Hsieh TY, Chuang HC, Chien MY, Ou TS, Chen KH, Wu RC, Liu YJ, Cheng CT, Huang YJ, Tao LW, Hwu AF, Lin IC, Hung SH, Yeh CY, Chen TC (2022) Deep neural network trained on gigapixel images improves lymph node metastasis detection in clinical settings. Nat Commun 13(1):3347. https://doi.org/10.1038/s41467-022-30746-1. (PMID: 10.1038/s41467-022-30746-1356888349187676)
Kather JN, Pearson AT, Halama N, Jager D, Krause J, Loosen SH, Marx A, Boor P, Tacke F, Neumann UP, Grabsch HI, Yoshikawa T, Brenner H, Chang-Claude J, Hoffmeister M, Trautwein C, Luedde T (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25(7):1054–1056. https://doi.org/10.1038/s41591-019-0462-y. (PMID: 10.1038/s41591-019-0462-y311608157423299)
Lu MY, Chen B, Williamson DFK, Chen RJ, Zhao M, Chow AK, Ikemura K, Kim A, Pouli D, Patel A, Soliman A, Chen C, Ding T, Wang JJ, Gerber G, Le Liang ILP, Parwani AV, Weishaupt LL, Mahmood F (2024) A multimodal generative AI copilot for human pathology. Nature 634(8033):466–473. https://doi.org/10.1038/s41586-024-07618-3. (PMID: 10.1038/s41586-024-07618-33886605011464372)
Modella AI (2025) Press release: Modella AI’s Generative AI Co-Pilot PathChat Receives FDA Breakthrough Device Designation. https://www.modella.ai/pathchat-fda-breakthrough-designation.
Retamero JA, Gulturk E, Bozkurt A, Liu S, Gorgan M, Moral L, Horton M, Parke A, Malfroid K, Sue J, Rothrock B, Oakley G, DeMuth G, Millar E, Fuchs TJ, Klimstra DS (2024) Artificial Intelligence Helps Pathologists Increase Diagnostic Accuracy and Efficiency in the Detection of Breast Cancer Lymph Node Metastases. Am J Surg Pathol 48(7):846–854. https://doi.org/10.1097/PAS.0000000000002248. (PMID: 10.1097/PAS.00000000000022483880927211191045)
Shen Z, Hu J, Wu H, Chen Z, Wu W, Lin J, Xu Z, Kong J, Lin T (2022) Global research trends and foci of artificial intelligence-based tumor pathology: a scientometric study. J Transl Med 20(1):409. https://doi.org/10.1186/s12967-022-03615-0. (PMID: 10.1186/s12967-022-03615-0360685369450455)
Takahashi S, Sakaguchi Y, Kouno N, Takasawa K, Ishizu K, Akagi Y, Aoyama R, Teraya N, Bolatkan A, Shinkai N, Machino H, Kobayashi K, Asada K, Komatsu M, Kaneko S, Sugiyama M, Hamamoto R (2024) Comparison of Vision Transformers and Convolutional Neural Networks in Medical Image Analysis: A Systematic Review. J Med Syst 48(1):84. https://doi.org/10.1007/s10916-024-02105-8. (PMID: 10.1007/s10916-024-02105-83926438811393140)
Tiwari A, Ghose A, Hasanova M, Faria SS, Mohapatra S, Adeleke S, Boussios S (2025) The current landscape of artificial intelligence in computational histopathology for cancer diagnosis. Discov Oncol 16(1):438. https://doi.org/10.1007/s12672-025-02212-z. (PMID: 10.1007/s12672-025-02212-z4016787011961855)
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser L, Polosukhin I (2017) Attention Is All You Need. Advances in Neural Information Processing Systems 30 (Nips 2017), 30. Aufl.
Vorontsov E, Bozkurt A, Casson A, Shaikovski G, Zelechowski M, Severson K, Zimmermann E, Hall J, Tenenholtz N, Fusi N, Yang E, Mathieu P, van Eck A, Lee D, Viret J, Robert E, Wang YK, Kunz JD, Lee MCH, Fuchs TJ (2024) A foundation model for clinical-grade computational pathology and rare cancers detection. Nat Med 30(10):2924–2935. https://doi.org/10.1038/s41591-024-03141-0. (PMID: 10.1038/s41591-024-03141-03903925011485232)
Wang X, Yang S, Zhang J, Wang M, Zhang J, Yang W, Huang J, Han X (2022) Transformer-based unsupervised contrastive learning for histopathological image classification. Med Image Anal 81:102559. https://doi.org/10.1016/j.media.2022.102559. (PMID: 10.1016/j.media.2022.10255935952419)
Xu H, Usuyama N, Bagga J, Zhang S, Rao R, Naumann T, Wong C, Gero Z, Gonzalez J, Gu Y, Xu Y, Wei M, Wang W, Ma S, Wei F, Yang J, Li C, Gao J, Rosemon J, Poon H (2024) A whole-slide foundation model for digital pathology from real-world data. Nature 630(8015):181–188. https://doi.org/10.1038/s41586-024-07441-w. (PMID: 10.1038/s41586-024-07441-w3877809811153137)
Zhang J, Choi H, Kim Y, Park J, Cho S, Kim E, Cho A, Lee JY, Choi J, Low C, Jung CM, Yu EJ, Chuang JH, Cooper L, Chae YK (2025) Artificial intelligence-based digital pathology using H&E-stained whole slide images in immuno-oncology: from immune biomarker detection to immunotherapy response prediction. J Immunother Cancer. https://doi.org/10.1136/jitc-2024-011346. (PMID: 10.1136/jitc-2024-0113464147584512766806)
Zimmermann E, Vorontsov E, Viret J et al (2024) Virchow2: Scaling Self-Supervised Mixed Magnification Models in Pathology ( https://arxiv.org/abs/2408.00738 ).
Breen J, Allen K, Zucker K, Godson L, Orsi NM, Ravikumar N (2025) A comprehensive evaluation of histopathology foundation models for ovarian cancer subtype classification. NPJ Precis Oncol 9(1):33. https://doi.org/10.1038/s41698-025-00799-8. (PMID: 10.1038/s41698-025-00799-83988524311782474)
Chen RJ, Ding T, Lu MY, Williamson DFK, Jaume G, Song AH, Chen B, Zhang A, Shao D, Shaban M, Williams M, Oldenburg L, Weishaupt LL, Wang JJ, Le Vaidya ALP, Gerber G, Sahai S, Williams W, Mahmood F (2024) Towards a general-purpose foundation model for computational pathology. Nat Med 30(3):850–862. https://doi.org/10.1038/s41591-024-02857-3. (PMID: 10.1038/s41591-024-02857-33850401811403354)
Clusmann J, Ferber D, Wiest IC, Schneider CV, Brinker TJ, Foersch S, Truhn D, Kather JN (2025) Prompt injection attacks on vision language models in oncology. Nat Commun 16(1):1239. https://doi.org/10.1038/s41467-024-55631-x. (PMID: 10.1038/s41467-024-55631-x3989077711785991)
Clusmann J, Schulz SJK, Ferber D, Wiest IC, Fernandez A, Eckstein M, Lange F, Reitsam NG, Kellers F, Schmitt M, Neidlinger P, Koop P‑H, Schneider CV, Truhn D, Roth W, Jesinghaus M, Kather JN, Foersch S (2025) Incidental Prompt Injections on Vision—Language Models in Real-Life Histopathology. NEJM AI 2(6):AIcs2500078. https://doi.org/10.1056/AIcs2500078. (PMID: 10.1056/AIcs2500078)
El Nahhas OSM, van Treeck M, Wolflein G, Unger M, Ligero M, Lenz T, Wagner SJ, Hewitt KJ, Khader F, Foersch S, Truhn D, Kather JN (2025) From whole-slide image to biomarker prediction: end-to-end weakly supervised deep learning in computational pathology. Nat Protoc 20(1):293–316. https://doi.org/10.1038/s41596-024-01047-2. (PMID: 10.1038/s41596-024-01047-239285224)
European Medicines Agency Decision (AIM-NASH). https://www.ema.europa.eu/en/news/ema-qualifies-first-artificial-intelligence-tool-diagnose-inflammatory-liver-disease-mash-biopsy-samples.
Ferber D, El Nahhas OSM, Wolflein G, Wiest IC, Clusmann J, Lessmann ME, Foersch S, Lammert J, Tschochohei M, Jager D, Salto-Tellez M, Schultz N, Truhn D, Kather JN (2025) Development and validation of an autonomous artificial intelligence agent for clinical decision-making in oncology. Nat Cancer 6(8):1337–1349. https://doi.org/10.1038/s43018-025-00991-6. (PMID: 10.1038/s43018-025-00991-64048132312380607)
Foersch S, Eckstein M, Wagner DC, Gach F, Woerl AC, Geiger J, Glasner C, Schelbert S, Schulz S, Porubsky S, Kreft A, Hartmann A, Agaimy A, Roth W (2021) Deep learning for diagnosis and survival prediction in soft tissue sarcoma. Ann Oncol 32(9):1178–1187. https://doi.org/10.1016/j.annonc.2021.06.007. (PMID: 10.1016/j.annonc.2021.06.00734139273)
Foersch S, Schulz S (2024) Künstliche Intelligenz in der Pathologie: Status quo und Zukunftsperspektiven. Onkologie 30:362–371. https://doi.org/10.1007/s00761-024-01482-6. (PMID: 10.1007/s00761-024-01482-6)
Food & Drug Administration (2021) Decision (Paige Prostate). https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/denovo.cfm?id=DEN200080.
Food & Drug Administration (2024a) Decision (Galen Second Read). https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm?ID=K241232.
Food & Drug Administration (2024b) Decision (Genius Cervical AI Algorithm).
Forsch S, Klauschen F, Hufnagl P, Roth W (2021) Artificial Intelligence in Pathology. Dtsch Ärztebl Int 118(12):194–204. https://doi.org/10.3238/arztebl.m2021.0011. (PMID: 10.3238/arztebl.m2021.001134024323)
Huang SC, Chen CC, Lan J, Hsieh TY, Chuang HC, Chien MY, Ou TS, Chen KH, Wu RC, Liu YJ, Cheng CT, Huang YJ, Tao LW, Hwu AF, Lin IC, Hung SH, Yeh CY, Chen TC (2022) Deep neural network trained on gigapixel images improves lymph node metastasis detection in clinical settings. Nat Commun 13(1):3347. https://doi.org/10.1038/s41467-022-30746-1. (PMID: 10.1038/s41467-022-30746-1356888349187676)
Kather JN, Pearson AT, Halama N, Jager D, Krause J, Loosen SH, Marx A, Boor P, Tacke F, Neumann UP, Grabsch HI, Yoshikawa T, Brenner H, Chang-Claude J, Hoffmeister M, Trautwein C, Luedde T (2019) Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 25(7):1054–1056. https://doi.org/10.1038/s41591-019-0462-y. (PMID: 10.1038/s41591-019-0462-y311608157423299)
Lu MY, Chen B, Williamson DFK, Chen RJ, Zhao M, Chow AK, Ikemura K, Kim A, Pouli D, Patel A, Soliman A, Chen C, Ding T, Wang JJ, Gerber G, Le Liang ILP, Parwani AV, Weishaupt LL, Mahmood F (2024) A multimodal generative AI copilot for human pathology. Nature 634(8033):466–473. https://doi.org/10.1038/s41586-024-07618-3. (PMID: 10.1038/s41586-024-07618-33886605011464372)
Modella AI (2025) Press release: Modella AI’s Generative AI Co-Pilot PathChat Receives FDA Breakthrough Device Designation. https://www.modella.ai/pathchat-fda-breakthrough-designation.
Retamero JA, Gulturk E, Bozkurt A, Liu S, Gorgan M, Moral L, Horton M, Parke A, Malfroid K, Sue J, Rothrock B, Oakley G, DeMuth G, Millar E, Fuchs TJ, Klimstra DS (2024) Artificial Intelligence Helps Pathologists Increase Diagnostic Accuracy and Efficiency in the Detection of Breast Cancer Lymph Node Metastases. Am J Surg Pathol 48(7):846–854. https://doi.org/10.1097/PAS.0000000000002248. (PMID: 10.1097/PAS.00000000000022483880927211191045)
Shen Z, Hu J, Wu H, Chen Z, Wu W, Lin J, Xu Z, Kong J, Lin T (2022) Global research trends and foci of artificial intelligence-based tumor pathology: a scientometric study. J Transl Med 20(1):409. https://doi.org/10.1186/s12967-022-03615-0. (PMID: 10.1186/s12967-022-03615-0360685369450455)
Takahashi S, Sakaguchi Y, Kouno N, Takasawa K, Ishizu K, Akagi Y, Aoyama R, Teraya N, Bolatkan A, Shinkai N, Machino H, Kobayashi K, Asada K, Komatsu M, Kaneko S, Sugiyama M, Hamamoto R (2024) Comparison of Vision Transformers and Convolutional Neural Networks in Medical Image Analysis: A Systematic Review. J Med Syst 48(1):84. https://doi.org/10.1007/s10916-024-02105-8. (PMID: 10.1007/s10916-024-02105-83926438811393140)
Tiwari A, Ghose A, Hasanova M, Faria SS, Mohapatra S, Adeleke S, Boussios S (2025) The current landscape of artificial intelligence in computational histopathology for cancer diagnosis. Discov Oncol 16(1):438. https://doi.org/10.1007/s12672-025-02212-z. (PMID: 10.1007/s12672-025-02212-z4016787011961855)
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser L, Polosukhin I (2017) Attention Is All You Need. Advances in Neural Information Processing Systems 30 (Nips 2017), 30. Aufl.
Vorontsov E, Bozkurt A, Casson A, Shaikovski G, Zelechowski M, Severson K, Zimmermann E, Hall J, Tenenholtz N, Fusi N, Yang E, Mathieu P, van Eck A, Lee D, Viret J, Robert E, Wang YK, Kunz JD, Lee MCH, Fuchs TJ (2024) A foundation model for clinical-grade computational pathology and rare cancers detection. Nat Med 30(10):2924–2935. https://doi.org/10.1038/s41591-024-03141-0. (PMID: 10.1038/s41591-024-03141-03903925011485232)
Wang X, Yang S, Zhang J, Wang M, Zhang J, Yang W, Huang J, Han X (2022) Transformer-based unsupervised contrastive learning for histopathological image classification. Med Image Anal 81:102559. https://doi.org/10.1016/j.media.2022.102559. (PMID: 10.1016/j.media.2022.10255935952419)
Xu H, Usuyama N, Bagga J, Zhang S, Rao R, Naumann T, Wong C, Gero Z, Gonzalez J, Gu Y, Xu Y, Wei M, Wang W, Ma S, Wei F, Yang J, Li C, Gao J, Rosemon J, Poon H (2024) A whole-slide foundation model for digital pathology from real-world data. Nature 630(8015):181–188. https://doi.org/10.1038/s41586-024-07441-w. (PMID: 10.1038/s41586-024-07441-w3877809811153137)
Zhang J, Choi H, Kim Y, Park J, Cho S, Kim E, Cho A, Lee JY, Choi J, Low C, Jung CM, Yu EJ, Chuang JH, Cooper L, Chae YK (2025) Artificial intelligence-based digital pathology using H&E-stained whole slide images in immuno-oncology: from immune biomarker detection to immunotherapy response prediction. J Immunother Cancer. https://doi.org/10.1136/jitc-2024-011346. (PMID: 10.1136/jitc-2024-0113464147584512766806)
Zimmermann E, Vorontsov E, Viret J et al (2024) Virchow2: Scaling Self-Supervised Mixed Magnification Models in Pathology ( https://arxiv.org/abs/2408.00738 ).
Contributed Indexing:
Keywords: Artificial intelligence in pathology; Decision support; Diagnostic artificial intelligence biomarkers; Digital pathology; Digital transformation; Multimodal data integration; Pattern recognition
Local Abstract: [Publisher, German] Die zunehmende Komplexität und Individualisierung onkologischer Diagnostik und Therapie stellt die Pathologie vor neue Herausforderungen. Gleichzeitig entwickelt sich die Künstliche Intelligenz (KI) von einer Zukunftstechnologie zu einem zentralen Bestandteil der digitalen Medizin. Dank der Verfügbarkeit digitaler Whole-Slide-Images (WSI) und leistungsfähiger Deep-Learning-Architekturen steigen die Publikationszahlen im Bereich der digitalen Pathologie seit etwa 2019 fast exponentiell an.Auch auf Ebene der algorithmischen Ansätze sind in den letzten Jahren zahlreiche Innovationen zu beobachten: Die zunächst dominierenden faltungsbasierten Convolutional Neural Networks (CNN) werden zunehmend durch Vision-Transformer-(ViT)-basierte Modelle abgelöst. Seit 2023 gewinnen zudem Foundation-Modelle rapide an Bedeutung, die sich insbesondere durch ihre breite Anwendbarkeit und Generalisierbarkeit auszeichnen.Proof-of-Concept-Studien konnten wiederholt zeigen, dass KI-basierte Lösungen die Effizienz und Sensitivität der Diagnostik verbessern können. Inzwischen wurden erste KI-Algorithmen für die histopathologische Diagnostik von US-amerikanischen und europäischen Aufsichtsbehörden zugelassen. Neuere Entwicklungen wie Vision-Language-Modelle (VLMs) ermöglichen darüber hinaus eine multimodale Verknüpfung von Text- und Bilddaten und eröffnen neue interaktive Möglichkeiten in der Diagnostik.Insgesamt befindet sich das Feld an der Schwelle vom Machbarkeitsnachweis zur klinischen Anwendung. Besonders Foundation-Modelle könnten die Struktur der histopathologischen Diagnostik in naher Zukunft grundlegend verändern. Dennoch bleiben technische, rechtliche und sozialpsychologische Hürden zu überwinden, bevor ein breiter klinischer Einsatz erfolgen kann.
Local Abstract: [Publisher, German] Die zunehmende Komplexität und Individualisierung onkologischer Diagnostik und Therapie stellt die Pathologie vor neue Herausforderungen. Gleichzeitig entwickelt sich die Künstliche Intelligenz (KI) von einer Zukunftstechnologie zu einem zentralen Bestandteil der digitalen Medizin. Dank der Verfügbarkeit digitaler Whole-Slide-Images (WSI) und leistungsfähiger Deep-Learning-Architekturen steigen die Publikationszahlen im Bereich der digitalen Pathologie seit etwa 2019 fast exponentiell an.Auch auf Ebene der algorithmischen Ansätze sind in den letzten Jahren zahlreiche Innovationen zu beobachten: Die zunächst dominierenden faltungsbasierten Convolutional Neural Networks (CNN) werden zunehmend durch Vision-Transformer-(ViT)-basierte Modelle abgelöst. Seit 2023 gewinnen zudem Foundation-Modelle rapide an Bedeutung, die sich insbesondere durch ihre breite Anwendbarkeit und Generalisierbarkeit auszeichnen.Proof-of-Concept-Studien konnten wiederholt zeigen, dass KI-basierte Lösungen die Effizienz und Sensitivität der Diagnostik verbessern können. Inzwischen wurden erste KI-Algorithmen für die histopathologische Diagnostik von US-amerikanischen und europäischen Aufsichtsbehörden zugelassen. Neuere Entwicklungen wie Vision-Language-Modelle (VLMs) ermöglichen darüber hinaus eine multimodale Verknüpfung von Text- und Bilddaten und eröffnen neue interaktive Möglichkeiten in der Diagnostik.Insgesamt befindet sich das Feld an der Schwelle vom Machbarkeitsnachweis zur klinischen Anwendung. Besonders Foundation-Modelle könnten die Struktur der histopathologischen Diagnostik in naher Zukunft grundlegend verändern. Dennoch bleiben technische, rechtliche und sozialpsychologische Hürden zu überwinden, bevor ein breiter klinischer Einsatz erfolgen kann.
Entry Date(s):
Date Created: 20251215 Date Completed: 20260128 Latest Revision: 20260129
Update Code:
20260130
DOI:
10.1007/s00292-025-01524-9
PMID:
41396309
Database:
MEDLINE
*Further Information*
*The increasing complexity and individualization of oncologic diagnostics and therapy present new challenges for pathology. At the same time, artificial intelligence (AI) is evolving from a futuristic concept into a core area of digital medicine. With the availability of digital whole-slide images (WSIs) and increasingly powerful deep learning architectures, the number of publications in digital pathology has risen almost exponentially since around 2019.At the algorithmic level, numerous innovations have emerged in recent years: convolutional neural networks (CNNs), which initially dominated the field, are increasingly being replaced by Vision Transformer (ViT)-based models. Since 2023, foundation models have gained rapid importance due to their broad applicability and generalizability.Proof-of-concept studies have repeatedly demonstrated that AI-based solutions can improve the efficiency and sensitivity of diagnostic workflows. Several AI algorithms for histopathology have already been approved by U.S. and European regulatory agencies. More recent developments, such as vision-language models (VLMs), enable the multimodal integration of text and image data, opening up new interactive possibilities in diagnostics.Overall, the field is at the transition from proof-of-concept studies toward clinical implementation. In particular, foundation models have the potential to fundamentally reshape the structure of histopathological diagnostics in the near future. However, technical, legal, and socio-psychological barriers must still be overcome before widespread clinical adoption can be achieved.
(© 2025. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.)*
*Einhaltung ethischer Richtlinien. Interessenkonflikt: S. Foersch erhielt Vortragshonorare von AstraZeneca, BMS und MSD. S. Schulz und M. Jesinghaus geben an, dass kein Interessenkonflikt besteht. Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.*