Die multiparametrische Magnetresonanztomographie (mpMRT) hat die Diagnostik des Prostatakarzinoms wesentlich verändert. Durch die standardisierte Beurteilung nach PI-RADS lassen sich verdächtige Läsionen lokalisieren und das Risiko eines klinisch signifikanten Prostatakarzinoms einschätzen. Eine besondere Herausforderung bleibt jedoch die Kategorie PI-RADS 3: Der MRT-Befund ist unklar, und die Entscheidung für oder gegen eine Prostatabiopsie lässt sich aus der Bildgebung allein häufig nicht zuverlässig ableiten.
Eine im September 2026 in European Radiology veröffentlichte internationale multizentrische Studie untersucht, ob eine KI-gestützte Risikoklassifikation diese diagnostische Unsicherheit verringern kann. Bei 787 Patienten zeigte das untersuchte KI-System eine hohe patientenbezogene Sensitivität. Eine retrospektiv modellierte Strategie, die KI gezielt bei PI-RADS-3-Befunden einsetzt, hätte 18,9 % der Biopsien vermeiden können. Gleichzeitig offenbarten die Ergebnisse relevante Grenzen bei der Erkennung einzelner Tumorläsionen. Was bedeuten diese Befunde für die radiologische Praxis?
Inhaltsverzeichnis
- Warum ist PI-RADS 3 eine diagnostische Herausforderung?
- Studiendesign und untersuchtes KI-System
- Die wichtigsten Studienergebnisse
- Was bedeuten 18,9 % weniger Biopsien?
- Warum die läsionsbezogene Sensitivität entscheidend ist
- KI-Risikostratifizierung innerhalb von PI-RADS 3
- Methodische Grenzen und kritische Einordnung
- Konsequenzen für die klinische Praxis
- Fazit
- Literatur
Glossar – Fachbegriffe und Abkürzungen
- PI-RADS (Prostate Imaging Reporting and Data System): Standardisiertes Klassifikationssystem zur Beurteilung der Wahrscheinlichkeit eines klinisch signifikanten Prostatakarzinoms anhand der MRT. Die Einteilung erfolgt in fünf Kategorien von 1 (sehr geringe Wahrscheinlichkeit) bis 5 (sehr hohe Wahrscheinlichkeit).
- PI-RADS 3: Kategorie für einen unklaren MRT-Befund, bei dem das Vorliegen eines klinisch signifikanten Prostatakarzinoms weder eindeutig wahrscheinlich noch unwahrscheinlich ist. Die Entscheidung zur Biopsie erfordert die Berücksichtigung zusätzlicher klinischer Risikofaktoren.
- csPCa (clinically significant Prostate Cancer): Klinisch signifikantes Prostatakarzinom. In der besprochenen Studie definiert als histologisch gesichertes Karzinom mit ISUP Grade Group ≥ 2.
- ISUP Grade Group: Histopathologisches Graduierungssystem der International Society of Urological Pathology. Es umfasst fünf Gruppen und basiert auf dem Gleason-Grading. Grade Group 2 entspricht einem Gleason-Score von 3 + 4 = 7.
- mpMRT (multiparametrische MRT): Prostata-MRT mit T2-gewichteter Bildgebung, Diffusionsbildgebung einschliesslich ADC-Karten und dynamischer kontrastmittelverstärkter Bildgebung (DCE).
- bpMRT (biparametrische MRT): Prostata-MRT mit T2-gewichteter Bildgebung und Diffusionsbildgebung einschliesslich ADC-Karten, jedoch ohne dynamische Kontrastmitteluntersuchung.
- DWI (Diffusion-Weighted Imaging): Diffusionsgewichtete MRT-Sequenz zur Darstellung der Wasserbeweglichkeit im Gewebe. Eine eingeschränkte Diffusion kann auf eine erhöhte Zelldichte hinweisen, wie sie bei malignen Tumoren vorkommen kann.
- ADC (Apparent Diffusion Coefficient): Quantitativer Parameter der Diffusionsbildgebung. Niedrige ADC-Werte können Ausdruck einer Diffusionsrestriktion sein, sind jedoch nicht spezifisch für Malignität.
- DCE (Dynamic Contrast-Enhanced MRI): Dynamische kontrastmittelverstärkte MRT zur Beurteilung des zeitlichen Kontrastmittelaufnahmeverhaltens. Sie kann insbesondere bei bestimmten unklaren Befunden der peripheren Prostatazone zur PI-RADS-Klassifikation beitragen.
- KI-Risikoklassifikation: Algorithmengestützte Einordnung von MRT-Befunden in Risikokategorien. Das untersuchte System verwendet einen kontinuierlichen Risikowert, der in die Kategorien Low, Medium und High überführt wird.
- Sensitivität: Anteil der tatsächlich erkrankten Patienten beziehungsweise Tumorläsionen, die durch ein diagnostisches Verfahren korrekt als positiv erkannt werden.
- Spezifität: Anteil der tatsächlich nicht erkrankten Patienten beziehungsweise nicht malignen Befunde, die durch ein diagnostisches Verfahren korrekt als negativ eingestuft werden.
- AUC (Area Under the Curve): Fläche unter der ROC-Kurve. Sie beschreibt die Fähigkeit eines diagnostischen Verfahrens, zwischen positiven und negativen Fällen zu unterscheiden. Ein Wert von 0,5 entspricht einer zufälligen Unterscheidung, ein Wert von 1,0 einer perfekten Trennung.
- Nichtunterlegenheit (Non-Inferiority): Statistisches Studienkonzept, bei dem geprüft wird, ob ein neues Verfahren gegenüber einem Vergleichsverfahren höchstens um eine vorab festgelegte, klinisch akzeptable Grenze schlechter abschneidet.
- Patientenbezogene Sensitivität: Anteil der Patienten mit klinisch signifikantem Prostatakarzinom, bei denen das diagnostische Verfahren mindestens einen entsprechenden positiven Befund erkennt.
- Läsionsbezogene Sensitivität: Anteil einzelner tatsächlich vorhandener Tumorläsionen, die korrekt detektiert werden. Sie ist besonders relevant für die Lokalisation und gezielte Biopsie verdächtiger Herde.
- PSA-Dichte (PSAD): Verhältnis des PSA-Wertes zum Prostatavolumen, angegeben in ng/ml/cm³. Sie dient als zusätzlicher Parameter zur Einschätzung des Prostatakarzinomrisikos, insbesondere bei unklaren MRT-Befunden.
- Biopsietriage: Risikobasierte Entscheidung darüber, welche Patienten einer Prostatabiopsie zugeführt werden sollten und bei welchen Patienten eine zunächst abwartende Strategie vertretbar sein könnte.
- MRT/Ultraschall-Fusionsbiopsie: Gezielte Prostatabiopsie, bei der zuvor in der MRT identifizierte verdächtige Läsionen mit der Echtzeit-Ultraschallbildgebung räumlich zusammengeführt werden.
- Retrospektive Entscheidungsmodellierung: Nachträgliche Anwendung hypothetischer Entscheidungsregeln auf bereits erhobene Patientendaten. Damit lassen sich mögliche Auswirkungen einer Strategie abschätzen, jedoch keine prospektiv bestätigten klinischen Ergebnisse nachweisen.
Warum ist PI-RADS 3 eine diagnostische Herausforderung?
Das Prostate Imaging Reporting and Data System (PI-RADS) standardisiert die MRT-Beurteilung der Prostata anhand einer fünfstufigen Skala. Die Kategorien 1 und 2 kennzeichnen eine geringe Wahrscheinlichkeit für ein klinisch signifikantes Prostatakarzinom, während die Kategorien 4 und 5 auf eine zunehmend hohe Wahrscheinlichkeit hinweisen.
PI-RADS 3 bezeichnet einen unklaren beziehungsweise intermediären Befund. Die morphologischen und funktionellen MRT-Kriterien erlauben keine eindeutige Einordnung als benigne oder malignitätsverdächtige Läsion.
Die Kategorie ist insbesondere deshalb problematisch, weil das individuelle Karzinomrisiko innerhalb dieser Gruppe erheblich variieren kann. Eine Biopsie sämtlicher PI-RADS-3-Läsionen führt zu zahlreichen negativen oder klinisch wenig relevanten histologischen Ergebnissen. Ein genereller Verzicht auf die Biopsie würde dagegen das Risiko bergen, behandlungsbedürftige Karzinome zu übersehen.
Für die Entscheidung müssen deshalb weitere Informationen berücksichtigt werden. Hierzu gehören insbesondere die PSA-Dichte, die klinische Untersuchung, familiäre Risikofaktoren, vorangegangene Biopsien und der individuelle Krankheitsverlauf.
Hinzu kommt die Untersucherabhängigkeit der PI-RADS-Klassifikation. Besonders bei grenzwertigen Veränderungen kann die Einordnung zwischen PI-RADS 2, 3 und 4 variieren. Eine zusätzliche, reproduzierbare Risikobewertung durch künstliche Intelligenz könnte hier einen praktischen Nutzen bieten.
Studiendesign und untersuchtes KI-System
Guenzel und Kollegen untersuchten in einer retrospektiven multizentrischen Studie die diagnostische Leistungsfähigkeit einer kommerziellen KI-Anwendung zur Prostata-MRT. Die Patientendaten stammten aus Deutschland, den Niederlanden und den Vereinigten Staaten. Eingeschlossen wurden MRT-Untersuchungen aus den Jahren 2014 bis 2025.
Von ursprünglich 840 identifizierten Patienten konnten nach Ausschluss unvollständiger Datensätze und technisch unzureichender Untersuchungen insgesamt 787 Männer ausgewertet werden. Das mediane Alter betrug 70 Jahre. Bei 380 Patienten (48,3 %) lag histopathologisch ein klinisch signifikantes Prostatakarzinom vor.
Als klinisch signifikant wurde ein Karzinom mit einer histologischen Einstufung nach der International Society of Urological Pathology (ISUP) von mindestens Grade Group 2 definiert.
Welche KI wurde eingesetzt?
Untersucht wurde die kommerziell verfügbare DeepHealth Prostate Suite, ein System zur computergestützten Detektion und Risikoklassifikation verdächtiger Prostataherde. Die Software analysiert T2-gewichtete Aufnahmen, diffusionsgewichtete Sequenzen (DWI) und ADC-Karten. Eine dynamische kontrastmittelverstärkte Bildgebung (DCE) war für die KI-Auswertung nicht erforderlich. Damit beruhte die KI-Analyse auf den wesentlichen Bildkomponenten einer biparametrischen Prostata-MRT.
Das System identifiziert und segmentiert verdächtige Läsionen und berechnet einen kontinuierlichen Risikowert zwischen 0 und 1. Dieser wird anhand vorab festgelegter Schwellenwerte in drei Risikokategorien übersetzt:
- Low: niedrige KI-Risikokategorie.
- Medium: mittlere KI-Risikokategorie.
- High: hohe KI-Risikokategorie.
Die radiologischen PI-RADS-Bewertungen wurden unabhängig von den KI-Ergebnissen vorgenommen. Als Referenzstandard diente die Histopathologie aus gezielten und systematischen Biopsien beziehungsweise aus Prostatektomiepräparaten. Die Autoren untersuchten sowohl die diagnostische Genauigkeit auf Patientenebene als auch die Erkennung einzelner histologisch zugeordneter Tumorläsionen. Zusätzlich wurden verschiedene Entscheidungsstrategien simuliert, bei denen PI-RADS und KI-Risikokategorien kombiniert wurden.
Die wichtigsten Studienergebnisse
Die Studie zeigte unterschiedliche Stärken und Schwächen der KI, je nachdem, ob die Erkennung eines klinisch signifikanten Karzinoms pro Patient oder die präzise Detektion einzelner Läsionen beurteilt wurde.
Patientenbezogene diagnostische Genauigkeit
Bei den vorab definierten Schwellenwerten erreichte die KI mit der Kategorie Medium oder High eine Sensitivität von 97,6 %. Die radiologische Bewertung mit einem Schwellenwert von PI-RADS ≥ 4 erreichte 92,6 %. Damit erfüllte die KI das vorab festgelegte Kriterium der Nichtunterlegenheit hinsichtlich der patientenbezogenen Sensitivität.
Die höhere Sensitivität war allerdings mit einer deutlich geringeren Spezifität verbunden:
- KI ≥ Medium: Sensitivität 97,6 %, Spezifität 19,7 %.
- PI-RADS ≥ 4: Sensitivität 92,6 %, Spezifität 48,4 %.
- PI-RADS ≥ 3: Sensitivität 98,7 %, Spezifität 30,5 %.
Dieser Vergleich ist für die Interpretation entscheidend: Eine sehr hohe Sensitivität kann durch eine niedrige Entscheidungsschwelle erreicht werden, führt dann jedoch zu mehr falsch positiven Bewertungen. Bei einer niedrigeren PI-RADS-Schwelle von ≥ 3 war die radiologische Sensitivität mit 98,7 % sogar geringfügig höher als diejenige der KI bei Medium oder High. Die Verfahren dürfen deshalb nicht allein anhand eines einzelnen Sensitivitätswertes als überlegen oder unterlegen eingestuft werden.
Diskriminationsfähigkeit
Die Fläche unter der ROC-Kurve (Area Under the Curve, AUC) betrug auf Patientenebene für die KI 0,80 und für PI-RADS 0,77. Der Unterschied von 0,032 war statistisch signifikant (p = 0,043), quantitativ jedoch gering. Zudem wurde ein kontinuierlicher KI-Risikowert mit der ordinalen fünfstufigen PI-RADS-Skala verglichen. Die etwas höhere AUC belegt deshalb nicht automatisch einen klinisch relevanten Vorteil bei der Entscheidung für oder gegen eine Biopsie.
Was bedeuten 18,9 % weniger Biopsien?
Der klinisch interessanteste Teil der Untersuchung betrifft die Modellierung unterschiedlicher Biopsiestrategien. Die Autoren berechneten, wie viele Biopsien bei verschiedenen Kombinationen von radiologischem PI-RADS-Befund und KI-Risikokategorie theoretisch hätten vermieden werden können.
Die Ergebnisse unterschieden sich erheblich:
- PI-RADS ≥ 4 allein: 28,6 % modellierte Biopsievermeidung bei 92,6 % Sensitivität.
- KI ≥ Medium allein: 11,3 % modellierte Biopsievermeidung bei 97,6 % Sensitivität.
- PI-RADS ≥ 4 oder KI ≥ Medium: 7,2 % modellierte Biopsievermeidung bei 99,5 % Sensitivität.
- PI-RADS ≥ 4 und KI ≥ Medium: 32,7 % modellierte Biopsievermeidung bei 90,8 % Sensitivität.
- Gezielter KI-Einsatz bei PI-RADS 3: 18,9 % modellierte Biopsievermeidung bei 98,4 % Sensitivität.
Die gezielte PI-RADS-3-Strategie erscheint damit als interessanter Kompromiss zwischen einer hohen Sensitivität und der Reduktion potenziell vermeidbarer Biopsien.
Die Zahl von 18,9 % ist jedoch kein prospektiv nachgewiesener Rückgang tatsächlich durchgeführter Biopsien. Sie beschreibt das Ergebnis einer retrospektiven Entscheidungsmodellierung innerhalb der untersuchten Studienpopulation. Ebenso wichtig: Eine Sensitivität von 98,4 % bedeutet nicht, dass sämtliche klinisch signifikanten Karzinome erkannt worden wären. Ein kleiner Anteil wäre nach dem Modell trotz der kombinierten Strategie übersehen worden. Die entscheidende klinische Frage lautet deshalb nicht allein, wie viele Biopsien vermieden werden können, sondern welche klinisch signifikanten Karzinome bei einer veränderten Biopsiestrategie möglicherweise unentdeckt bleiben.
Warum die läsionsbezogene Sensitivität entscheidend ist
Eine besonders wichtige Erkenntnis der Studie ergibt sich aus der getrennten Analyse auf Patienten- und Läsionsebene. Während die KI auf Patientenebene eine hohe Sensitivität erreichte, war ihre Sensitivität für einzelne histologisch zugeordnete Tumorläsionen geringer als diejenige der radiologischen PI-RADS-Bewertung.
- KI: läsionsbezogene Sensitivität 78,8 %.
- Radiologische PI-RADS-Bewertung: läsionsbezogene Sensitivität 88,8 %.
Die Differenz betrug 10 Prozentpunkte. Die vorab definierte Nichtunterlegenheitsgrenze wurde auf Läsionsebene nicht erreicht. Diese Unterscheidung ist für die praktische Anwendung von KI-Systemen wesentlich. Ein Algorithmus kann einen Patienten zutreffend als karzinomverdächtig klassifizieren, ohne sämtliche klinisch relevanten Tumorherde korrekt zu erkennen oder zu lokalisieren. Für die gezielte MRT/Ultraschall-Fusionsbiopsie ist jedoch nicht nur die patientenbezogene Risikoeinschätzung wichtig. Entscheidend ist auch die präzise Lokalisation der zu biopsierenden Läsion.
Insbesondere bei multifokalen Prostatakarzinomen kann eine unvollständige Läsionsdetektion dazu führen, dass einzelne Tumorherde nicht gezielt erfasst werden. Die Autoren folgern deshalb, dass die KI vor allem als Unterstützung der Biopsietriage geeignet erscheint. Die radiologische Läsionsdetektion, anatomische Zuordnung und Dokumentation bleiben eigenständige Aufgaben.
KI-Risikostratifizierung innerhalb von PI-RADS 3
Für die gezielte Analyse unklarer MRT-Befunde wurden 145 Läsionen mit einer radiologischen Einstufung als PI-RADS 3 ausgewertet. Bei 29 dieser Läsionen (20,0 %) lag histopathologisch ein klinisch signifikantes Prostatakarzinom vor. Die übrigen 116 Läsionen waren hinsichtlich des definierten Endpunkts negativ.
Bei Anwendung des Schwellenwerts KI ≥ Medium ergaben sich folgende Ergebnisse:
- 115 von 145 PI-RADS-3-Läsionen (79,3 %) wurden von der KI mindestens als mittleres Risiko eingestuft.
- 27 von 29 klinisch signifikanten Karzinomläsionen (93,1 %) wurden in diese höhere Risikogruppe eingeordnet.
- 28 von 116 Läsionen ohne klinisch signifikantes Karzinom (24,1 %) erhielten eine niedrige KI-Risikokategorie.
Die KI konnte somit innerhalb der PI-RADS-3-Gruppe eine zusätzliche Risikodifferenzierung vornehmen. Allerdings wurden bei dieser Schwelle auch die meisten Läsionen ohne klinisch signifikantes Karzinom weiterhin als mindestens mittleres Risiko klassifiziert. Das Potenzial zur Reduktion von Biopsien innerhalb der PI-RADS-3-Gruppe war daher begrenzt. Zudem wurden zwei der 29 klinisch signifikanten PI-RADS-3-Läsionen nicht in die höhere KI-Risikokategorie eingeordnet.
Die Ergebnisse sprechen für eine ergänzende Risikostratifizierung, nicht aber für die pauschale Empfehlung, bei einer niedrigen KI-Risikokategorie grundsätzlich auf eine Biopsie zu verzichten.
Methodische Grenzen und kritische Einordnung
Die Untersuchung besitzt mehrere Stärken. Dazu gehören die internationale multizentrische Datengrundlage, die Verwendung unterschiedlicher MRT-Systeme, die histopathologische Referenz und die getrennte Auswertung auf Patienten- und Läsionsebene. Gleichzeitig müssen verschiedene methodische Einschränkungen berücksichtigt werden.
Retrospektives Studiendesign
Die Untersuchung war retrospektiv. Die Auswirkungen der KI auf tatsächliche klinische Entscheidungen wurden nicht prospektiv überprüft. Insbesondere wurde nicht untersucht, ob Patienten, bei denen nach dem Modell auf eine Biopsie verzichtet worden wäre, im weiteren Verlauf klinisch signifikante Karzinome entwickelten oder verspätet diagnostiziert wurden.
Selektierte Studienpopulation
Eingeschlossen wurden Patienten mit verfügbarer histopathologischer Abklärung. Der Anteil klinisch signifikanter Karzinome betrug 48,3 %. Diese hohe Erkrankungsprävalenz entspricht nicht zwangsläufig derjenigen einer unselektierten Früherkennungs- oder Vorsorgepopulation. Sensitivität und Spezifität sind zwar definitionsgemäss nicht unmittelbar prävalenzabhängig, die klinisch besonders relevanten positiven und negativen Vorhersagewerte dagegen schon.
Eine Übertragung der Ergebnisse auf Populationen mit niedrigerem Ausgangsrisiko erfordert deshalb zusätzliche Validierung.
Heterogene Referenzstandards
Die histopathologische Referenz beruhte je nach Zentrum auf unterschiedlichen Biopsieprotokollen beziehungsweise Prostatektomiepräparaten. Eine Biopsie stellt zudem keinen vollkommen fehlerfreien Referenzstandard dar. Einzelne Tumorherde können bei der Probenentnahme verfehlt werden. Diese Unsicherheit ist besonders für die läsionsbezogene Auswertung relevant.
Für die Läsionsanalyse konnten nur vollständig histologisch zugeordnete, zwischen KI und radiologischer Bewertung gepaarte Läsionen berücksichtigt werden. Dadurch kann eine zusätzliche Selektionsverzerrung entstehen.
Ein kommerzielles KI-System
Untersucht wurde eine bestimmte kommerzielle Softwareversion beziehungsweise Produktplattform. Die Ergebnisse lassen sich nicht ohne Weiteres auf andere KI-Anwendungen übertragen. Darüber hinaus bestanden Interessenkonflikte: Zwei Mitautoren waren beim Hersteller des untersuchten KI-Systems beschäftigt; weitere Beziehungen zu Unternehmen wurden offengelegt. Die Autoren berichteten keine externe Studienfinanzierung.
Diese Angaben widerlegen die Ergebnisse nicht, unterstreichen aber die Bedeutung unabhängiger externer Validierungen.
Fehlende vollständige klinische Risikointegration
Die modellierten Entscheidungsregeln kombinierten vor allem PI-RADS und KI-Risikokategorien. Klinische Einflussgrössen wie PSA-Dichte und individuelle Risikofaktoren wurden nicht als vollständiges multivariables Entscheidungsmodell integriert.
Damit bleibt offen, welchen zusätzlichen Nutzen die KI gegenüber einer bereits optimierten klinisch-radiologischen Risikostratifizierung bietet.
Konsequenzen für die klinische Praxis
Die Ergebnisse unterstützen einen ergänzenden Einsatz künstlicher Intelligenz bei der Beurteilung unklarer Prostata-MRT-Befunde. Sie rechtfertigen jedoch noch keine generelle Änderung etablierter Biopsieindikationen.
Für die radiologische Praxis ergeben sich insbesondere vier Konsequenzen:
1. PI-RADS bleibt die Grundlage der strukturierten MRT-Befundung
Die standardisierte radiologische Bewertung einschliesslich Läsionslokalisation und anatomischer Zuordnung bleibt erforderlich. Eine KI-Risikokategorie ist kein Ersatz für eine vollständige PI-RADS-Befundung.
2. KI kann zusätzliche Informationen bei PI-RADS 3 liefern
Eine niedrige oder hohe KI-Risikokategorie kann bei unklaren MRT-Befunden einen zusätzlichen Hinweis auf das individuelle Karzinomrisiko geben. Die Interpretation muss jedoch mit PSA-Dichte, klinischen Risikofaktoren und gegebenenfalls vorliegenden Voruntersuchungen zusammengeführt werden.
3. Patientenbezogene und läsionsbezogene Ergebnisse müssen getrennt betrachtet werden
Eine hohe Sensitivität auf Patientenebene bedeutet nicht automatisch eine zuverlässige Detektion und Lokalisation sämtlicher Tumorherde. Für die Planung gezielter Biopsien bleibt die anatomisch präzise Läsionsbeurteilung entscheidend.
4. Die klinische Sicherheit einer Biopsievermeidung muss prospektiv bestätigt werden
Vor einer breiten Einführung KI-gestützter Biopsiestrategien sind prospektive Untersuchungen erforderlich. Sie sollten neben der Zahl vermiedener Biopsien insbesondere die Rate übersehener klinisch signifikanter Karzinome, spätere Diagnosen und die Auswirkungen auf das Patientenmanagement erfassen.
Von besonderem Interesse wären Studien, die eine KI-gestützte Strategie direkt mit einer etablierten klinisch-radiologischen Entscheidungsfindung unter Einbeziehung der PSA-Dichte vergleichen.
Fazit
Die multizentrische Studie von Guenzel und Kollegen zeigt, dass eine KI-gestützte Risikoklassifikation die Beurteilung unklarer PI-RADS-3-Befunde sinnvoll ergänzen könnte. Eine retrospektiv modellierte Strategie hätte 18,9 % der Biopsien vermeiden können und dabei eine patientenbezogene Sensitivität von 98,4 % erreicht.
Der mögliche klinische Nutzen muss jedoch gegen die diagnostischen Grenzen abgewogen werden. Insbesondere war die Sensitivität der KI auf Läsionsebene geringer als diejenige der radiologischen PI-RADS-Bewertung. Ausserdem wurde die tatsächliche Sicherheit einer Biopsievermeidung bislang nicht prospektiv nachgewiesen.
Die wichtigste Konsequenz: KI erscheint bei PI-RADS 3 als ergänzendes Instrument zur Risikostratifizierung und Biopsietriage, nicht als Ersatz für die radiologische Befundung oder die interdisziplinäre Biopsieentscheidung.
Literatur
- Guenzel K, Poirot MG, van Loon A, et al. Multicentre evaluation of artificial intelligence risk classification for detection of clinically significant prostate cancer on biparametric MRI. European Radiology. Online veröffentlicht am 26. September 2026. doi:10.1007/s00330-026-12888-8.
- Turkbey B, Rosenkrantz AB, Haider MA, et al. Prostate Imaging Reporting and Data System Version 2.1: 2019 Update of Prostate Imaging Reporting and Data System Version 2. European Urology. 2019;76:340–351. doi:10.1016/j.eururo.2019.02.033.
- Ahmed HU, El-Shater Bosaily A, Brown LC, et al. Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study. The Lancet. 2017;389:815–822. doi:10.1016/S0140-6736(16)32401-1.
- Kasivisvanathan V, Rannikko AS, Borghi M, et al. MRI-Targeted or Standard Biopsy for Prostate-Cancer Diagnosis. New England Journal of Medicine. 2018;378:1767–1777. doi:10.1056/NEJMoa1801993.
- van der Leest M, Cornel E, Israël B, et al. Head-to-head Comparison of Transrectal Ultrasound-guided Prostate Biopsy Versus Multiparametric Prostate Resonance Imaging with Subsequent Magnetic Resonance-guided Biopsy in Biopsy-naïve Men with Elevated Prostate-specific Antigen: A Large Prospective Multicenter Clinical Study. European Urology. 2019;75:570–578. doi:10.1016/j.eururo.2018.11.023.
