KI-Framework zur Erkennung von Krebsmetastasen aus unstrukturierten Patientendaten Forscher des Mayo Clinic haben ein künstliches Intelligenz-System entwickelt, das in klinischen Dokumenten präzise Stellen von Krebsmetastasierung identifiziert. Die kürzlich im Journal of Biomedical Informatics veröffentlichte Studie adressiert das langjährige Problem der manuellen Datenauswertung in der onkologischen Forschung. Das entwickelte Framework analysiert radiologische, pathologische und onkologische Befunde, um metastatische Rückfälle an Organen wie Leber, Lunge oder Knochen zu erkennen. Statt auf strukturierte Datenbanken zu vertrauen, verarbeitet das Modell dieselben klinischen Notizen, die auch menschliche Gutachter nutzen. Dabei werden abgekürzte Formulierungen, unsichere Aussagen und über mehrere Dokumente verteilte Informationen kontextuell verknüpft. Die ursprüngliche Entwicklung erfolgte unter der Leitung von Datenwissenschaftler Madhu Babu Sikha am Mayo Clinic. Zur Überprüfung der Generalisierbarkeit wurde das System anschließend mit Patientendaten der Stanford Medicine validiert. Die hervorragende Leistung über Institutionen hinweg bestätigt, dass das Modell klinische Muster und nicht lediglich lokale Dokumentationsgewohnheiten erlernt. Ein zentrales Forschungsergebnis widerlegt die verbreitete Annahme, dass größere Sprachmodelle automatisch überlegene Leistungen erbringen. Das spezialisierte KI-Framework übertraf mehrere deutlich größere, allgemeine Large Language Models in der präzisen Erkennung von Rezidivlokalisationen. Diese Effizienz zeigt, dass domänenspezifische Architekturen für klinische Aufgaben oft leistungsfähiger sind als reiner Parameterumfang. Darüber hinaus demonstrierte das System eine bemerkenswerte Übertragbarkeit: Bei der Anwendung auf Prostatakrebsdaten erbrachte es ebenfalls zuverlässige Ergebnisse, obwohl es ursprünglich für Brustkrebs entwickelt wurde. Dies deutet darauf hin, dass das Modell allgemeine sprachliche Muster der Metastasenbeschreibung und nicht ausschließlich krankheitsspezifische Terminologien erfasst. Die Automatisierung der Metastasierungserkennung reduziert den erheblichen manuellen Aufwand bei der Sichtung klinischer Akten erheblich. Krebsregister und klinische Forscher können so zeitintensive manuelle Reviews durch präzise, automatisierte Extraktionen ersetzen. Dies beschleunigt die Datenerhebung für Langzeitstudien, verbessert die Bewertung von Therapien und ermöglicht eine effizientere Auswertung klinischer Real-Welt-Daten. Die Technologie dient dabei nicht als Ersatz für ärztliche Entscheidungsfindung, sondern als skalierbares Assistenzwerkzeug für die Informationsaggregation und Strukturierung. Mit der erfolgreichen institutionenübergreifenden Validierung und der nachgewiesenen Übertragbarkeit auf weitere Krebsarten steht das Framework bereit für den Transfer von der Proof-of-Concept-Phase in den klinischen Alltag. Künftige Entwicklungsphasen fokussieren sich auf die robuste Validierung in heterogenen Patientenpopulationen sowie die enge Verzahnung von KI-Architekten und medizinischer Fachkompetenz. Das System demonstriert, wie versteckte Informationen in elektronischen Patientenakten in verwertbares Wissen für die onkologische Forschung und letztlich die Patientenversorgung transformiert werden können.