Warum Foundation Models in der Pathologie scheitern (und was als Nächstes kommt)

Die Optimierung für das falsche Ziel führt zu hervorragenden Ergebnissen in diesem Bereich, während das eigentliche Problem nicht gelöst wird. Die Pathologie benötigt eine Optimierung für klinische Anwendbarkeit, Generalisierung über Institutionen hinweg und Robustheit gegenüber realen Bedingungen.

Einführung

In den letzten Jahren haben Foundation Models in der KI, insbesondere in der Pathologie, viel Aufmerksamkeit auf sich gezogen. Die Grundannahme war, dass diese Modelle, die sich in der Verarbeitung natürlicher Sprache und der allgemeinen Computer Vision bewährt haben, auch in der Pathologie erfolgreich sein würden. Doch die Realität sieht anders aus. In diesem Artikel werden die Gründe für das Scheitern dieser Modelle in der Pathologie untersucht und alternative Ansätze vorgestellt, die besser auf die klinischen Anforderungen abgestimmt sind.

Die Herausforderungen von Foundation Models in der Pathologie

Ein zentrales Problem ist, dass die Leistung dieser Modelle oft nicht den Erwartungen entspricht. Ein Beispiel zeigt, dass ein Modell eine Genauigkeit von 0,92 auf einem internen Testset erreichte, jedoch bei einem benachbarten Krankenhaus mit unterschiedlichen Färbeprotokollen kaum über Zufallsniveau abschloss. Dies verdeutlicht, dass die Optimierung für Parameter wie Größe und Allgemeingültigkeit nicht den realen Anforderungen der Pathologie gerecht wird.

Die Leistungsgrenze, über die niemand spricht

Aktuelle klinische Benchmarks, die 22 Pathologietasks mit öffentlich verfügbaren selbstüberwachten Foundation Models bewerteten, zeigen ein beunruhigendes Muster. Während die Ergebnisse bei der Krankheitsdetektion vielversprechend erscheinen, bricht die Leistung bei komplexeren Aufgaben wie der Biomarker-Vorhersage dramatisch ein. Dies legt nahe, dass Foundation Models in der Pathologie eine Leistungsgrenze erreicht haben, die durch die bloße Erhöhung der Parameteranzahl nicht überwunden werden kann.

Drei Mechanismen hinter dem Scheitern

• Das Selbstüberwachungsproblem: Foundation Models nutzen selbstüberwachtes Lernen, um ohne Labels zu lernen. Diese Methode funktioniert gut für natürliche Bilder, jedoch nicht für histopathologische Daten, wo die benötigten Informationen nicht durch einfache Rekonstruktion von Bildbereichen erfasst werden können.
• Die Generalisierungskrise: Modelle zeigen eine schlechte Generalisierbarkeit über Institutionen hinweg. Studien haben gezeigt, dass Modelle, die auf Daten einer einzelnen Institution trainiert wurden, bei der Evaluierung an Daten anderer Institutionen eine Leistungseinbuße von 15-25 % aufweisen.
• Die Komplexitätsfalle: Die architektonische Komplexität dieser Modelle führt zu einer erhöhten Anfälligkeit für adversarielle Angriffe. Kleinere, spezifischere Modelle könnten robuster gegenüber den Störungen der klinischen Realität sein.

Warum die Branche diesen Weg eingeschlagen hat

Die Verlockung, Foundation Models zu verwenden, ist verständlich. Die Erfolge in der Verarbeitung natürlicher Sprache und der allgemeinen Bildverarbeitung haben zu einem Glauben geführt, dass größere Modelle automatisch bessere Ergebnisse liefern. Diese Annahme hat sich jedoch als irreführend erwiesen, insbesondere in der Pathologie, wo klinische Validierung und spezifische Anforderungen entscheidend sind.

Was tatsächlich funktioniert: Alternative Ansätze

Statt auf Foundation Models zu setzen, sollten wir uns auf spezialisierte Ansätze konzentrieren, die bereits Erfolge in der klinischen Praxis gezeigt haben. Weakly supervised learning hat sich als vielversprechend erwiesen, da es mit weniger annotierten Daten auskommt und dennoch hohe Genauigkeiten erreicht. Geometrische Ansätze, die die Struktur von Gewebe berücksichtigen, könnten ebenfalls die Robustheit und Genauigkeit der Modelle verbessern.

Der Weg nach vorne erfordert vier Veränderungen

1. Die Verwechslung von Größe und Fähigkeit aufgeben: Es ist entscheidend, die Annahme abzulehnen, dass größere Modelle automatisch bessere klinische Leistungen erbringen. Stattdessen sollten wir uns auf klinische Genauigkeit und Generalisierbarkeit konzentrieren.
2. Interpretierbarkeit zur Pflicht machen: Die klinische Anwendung von KI hängt stark von der Interpretierbarkeit der Modelle ab. Pathologen müssen verstehen, warum ein Modell eine bestimmte Empfehlung abgibt.
3. In realen klinischen Bedingungen validieren: Foundation Models müssen in realen klinischen Umgebungen getestet werden, um ihre Wirksamkeit und Sicherheit zu gewährleisten.
4. In domänenspezifische Innovation investieren: Erfolgreiche Pathologie-KI-Systeme sind spezialisiert und berücksichtigen die spezifischen Anforderungen der klinischen Praxis.

Fazit

Foundation Models in der Pathologie sind gescheitert, weil sie für die falschen Ziele optimiert wurden. Die Zukunft der Pathologie-KI liegt in der Entwicklung spezialisierter Modelle, die die klinischen Anforderungen besser erfüllen. Es ist an der Zeit, die Illusion universeller Modelle aufzugeben und intelligente, domänenspezifische Systeme zu integrieren, die tatsächlich einen Mehrwert bieten.

Quellenliste:

• Quelle: WHY FOUNDATION MODELS IN PATHOLOGY ARE FAILING (AND WHAT COMES NEXT)
• Recent Advances in AI for Pathology
• Challenges in AI for Pathology