Ein künstliches Intelligenz-System namens Context-Guided Segmentation Network (CGS-Net), entwickelt von zwei Doktoranden der University of Maine, Jeremy Juybari (Elektrotechnik und Informatik) und Josh Hamilton (Biomedizinische Ingenieurwissenschaften), verbessert die Genauigkeit der Brustkrebsdiagnose an Gewebeproben. Das Tool nutzt einen dualen Encoder-Ansatz, der die Arbeitsweise menschlicher Pathologen nachahmt: Während ein Netzwerk hochaufgelöste Bildausschnitte analysiert, um Zellstrukturen im Detail zu erfassen, untersucht das zweite Netzwerk eine niedrigere Auflösung, um den umgebenden Gewebekontext zu berücksichtigen. Beide Ansichten teilen denselben Zentrumspunkt, was eine präzise räumliche Korrelation ermöglicht. Diese Kombination aus lokaler Detailgenauigkeit und globaler architektonischer Kontextinformation führt zu einer signifikant besseren Segmentierung von Krebs- und Gesundheitsgewebe im Vergleich zu herkömmlichen Einzel-Eingabe-Modellen. Die Forscher testeten CGS-Net an 383 digitalisierten Ganzbild-Präparaten von Lymphknoten und erreichten überzeugende Ergebnisse bei der Erkennung von Brustkrebs. Die Methode adressiert eine kritische Herausforderung in der globalen Krebsdiagnostik: Nur zwei Drittel der weltweit tätigen Pathologen sind in zehn Ländern konzentriert, was in Ländern wie Indien zu erheblichen Verzögerungen führt – dort sind etwa 70 % der Krebstodesfälle auf behandelbare Risikofaktoren und mangelnde Zugänglichkeit zu Diagnosen zurückzuführen. CGS-Net könnte helfen, diese Kluft zu schließen, indem es eine schnellere, genauere und skalierbare Unterstützung für medizinisches Personal bietet. Die Forscher veröffentlichten sowohl den Datensatz als auch den Quellcode offen, um Transparenz und globale Zusammenarbeit zu fördern. Die Forschung, die in Scientific Reports erschienen ist und mit Andre Khalil, Yifeng Zhu und Chaofan Chen koautoriert wurde, zeigt, dass kontextbasierte Analyse entscheidend für präzise medizinische KI ist. Zukünftige Entwicklungen sollen die Architektur auf mehrere Auflösungen, multiklassige Gewebesegmentierung und andere Krebsarten ausweiten. Auch die Integration multimodaler Daten wie Bildgebung oder molekularer Profile ist geplant. Damit geht das Projekt über reine Automatisierung hinaus: Es zielt darauf ab, menschliche Expertise zu ergänzen, nicht zu ersetzen. Die interdisziplinäre Zusammenarbeit zwischen Ingenieurwissenschaften, Informatik und Biomedizin an der University of Maine unterstreicht das Potenzial solcher Innovationen, um globale Gesundheitsungleichheiten zu verringern. Industrieexperten sehen in CGS-Net einen Meilenstein für die digitale Pathologie. „Die Integration von Kontext und Detail ist der Schlüssel für die nächste Generation medizinischer KI“, sagt ein Experte für klinische KI aus der Schweiz. „Dieses Modell zeigt, wie maschinelles Lernen nicht nur schneller, sondern auch intelligenter werden kann, wenn es menschliche Denkprozesse nachahmt.“ Die University of Maine positioniert sich damit als führende Institution im Bereich medizinischer KI, die Technologie nicht nur entwickelt, sondern auch zugänglich macht – ein entscheidender Schritt hin zu einer gerechteren, präziseren und früheren Krebsdiagnose weltweit.