KI und Fettleber bei AUC 0,98: eine Zahl, die außerhalb des Labors auf 0,90 fällt

Zwei Zahlen erzählen die ganze Geschichte dieser Arbeit, und es sind nicht die der Schlagzeile. Über die eingeschlossenen Studien hinweg erkannte ein künstlich-intelligentes Modell, das Leberbilder auswertet, die Fettleber mit einer Fläche unter der Grenzwertoptimierungskurve (AUC, area under the curve) von 0,98 — nahe jener Genauigkeit, die wir mit der Beurteilung des Gewebes selbst verbinden. Beschränkt man die Auswertung auf die prospektiven Studien, also jene, die die Modelle so prüften, wie eine Klinik sie tatsächlich einsetzen würde, fällt der Wert auf 0,90. Diese acht Punkte Abstand sind auf dem Papier klein und am Krankenbett groß — und sie sind die Beurteilung dieser ganzen Literatur in einer einzigen Zeile.

Das klinische Problem ist echt und groß. Die steatotische Lebererkrankung gehört zu den häufigsten Lebererkrankungen Erwachsener, und die meisten Fälle werden zufällig, spät oder gar nicht entdeckt; ein Teil schreitet über eine Leberfibrose bis zur Zirrhose fort. Die Biopsie bleibt der Referenzstandard für die Gradeinteilung, doch sie ist invasiv, und Patient:innen lehnen sie häufig ab. Der Ultraschall ist überall verfügbar und günstig, aber untersucherabhängig und bei leichter Steatose unzuverlässig. Das Versprechen liegt auf der Hand: Ein Modell, das den ohnehin vorhandenen Ultraschall wie den einer Spezialistin lesen lässt, verändert den diagnostischen Pfad für Millionen Menschen mit Adipositas, metabolischem Syndrom und Typ-2-Diabetes. Diese Arbeit erlaubt die Frage, wie nah die Evidenz daran ist, das einzulösen.

Was die Forschenden getan haben

Song und Kolleg:innen von der Universität für Chinesische Medizin in Changchun führten eine systematische Übersichtsarbeit mit Metaanalyse durch, erschienen am 13. Januar 2026 im Journal of Medical Internet Research, zu Studien zur diagnostischen Treffsicherheit, in denen ein KI-Algorithmus zur Erkennung oder Gradeinteilung der hepatischen Steatose trainiert wurde. Aus zunächst 2.536 Treffern erfüllten sechsunddreißig Studien die Einschlusskriterien; dreiunddreißig davon mit sechsunddreißig Kohorten gingen in die gepoolten Untergruppenanalysen ein. Berichtet wurden eine zusammengefasste Sensitivität von 0,95, eine Spezifität von 0,93 und eine AUC von 0,98; das Verzerrungsrisiko jeder Studie wurde mit dem etablierten Instrument QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies) bewertet. Es handelt sich um eine Metaanalyse zur Testgenauigkeit — sie erbt Stärken wie Schwächen der zusammengefassten Einzelstudien, und die Autor:innen benennen offen, dass diese Schwächen erheblich sind.

Was die Evidenz belegt

Der Ultraschall war die am häufigsten untersuchte Bildgebung — zwanzig Kohorten — und schnitt gut ab: zusammengefasste AUC 0,98, Sensitivität 0,96. Das ist das Ergebnis mit dem größten praktischen Gewicht, denn der Ultraschall steht in jeder gastroenterologischen Abteilung und in vielen Hausarztpraxen, benötigt keinen Gerätetermin und kostet die Patient:innen nichts. CT-gestützte Modelle erreichten eine AUC von 0,97, pathologiebasierte Analysen 0,99. Die Übereinstimmung über die Bildgebungsarten hinweg ist real: Diese Modelle ziehen aus Leberbildern ein brauchbares Steatosesignal, ziemlich beständig und über recht unterschiedliche Eingangsdaten hinweg.

Ein technischer Befund hat unmittelbare Relevanz für die Entwicklung: Modelle mit Transfer Learning — auf großen allgemeinen Bilddatensätzen vortrainiert und dann für die Leber feinabgestimmt — erreichten eine Sensitivität von 0,99 und eine AUC von 0,99 gegenüber 0,93 und 0,98 ohne dieses Vorgehen. Nicht alle dieser Werkzeuge sind architektonisch gleichwertig. Was ein Befund für eine konkrete Person bedeutet: Bei einer angenommenen Vortest-Wahrscheinlichkeit von 50 Prozent setzen die zusammengefassten Likelihood-Ratios die Nachtest-Wahrscheinlichkeit auf 93 Prozent nach einem positiven und auf 4 Prozent nach einem negativen Ergebnis — nützliche Zahlen, aber gepoolte, verankert an dieser angenommenen Häufigkeit und nicht an der Patientin vor Ihnen.

Was die Evidenz nicht belegt

Hier muss man als sorgfältige Leserin innehalten, denn die AUC der Schlagzeile ist ein Mittelwert, der seine wichtigste Untergruppe verdeckt. Die Heterogenität zwischen den Studien überstieg in den meisten Analysen 75 Prozent, in den Untergruppen Ultraschall und Deep Learning über 94 Prozent. Das ist keine Fußnote: Die Studien widersprechen einander so stark, dass der gepoolte Mittelwert mit echter Vorsicht zu lesen ist. Wenn Studien derart auseinanderlaufen, schmeichelt eine einzelne aufgeräumte Zahl dem Feld.

Das Bild der Verzerrungen erklärt einen Großteil dieser Streuung. Nach QUADAS-2 wiesen 44 Prozent der Studien (16 von 36) ein hohes Verzerrungsrisiko bei der Patientenauswahl auf, weitere 36 Prozent (14 von 36) ein unklares Risiko bei Ablauf und Timing. Fünfundzwanzig der sechsundzwanzig Kohorten mit berichtetem Studiendesign waren retrospektiv, fünfundzwanzig von siebenundzwanzig monozentrisch. Eine externe Validierung — die Prüfung eines an einem Zentrum entwickelten Modells an Daten eines anderen Krankenhauses — fehlte weitgehend. Das ist die strukturelle Signatur der diagnostischen Bildgebungs-KI: ausgezeichnete Leistung auf sorgfältig kuratierten internen Daten und dünne Evidenz für die Leistung anderswo. Für jede Entscheidung über einen Einsatz ist genau das die offene Frage, und sie ist unbeantwortet.

Das führt zu den zwei Zahlen vom Anfang zurück. Retrospektive Studien bündelten sich zu einer AUC von 0,98, prospektive zu 0,90. Studien mit öffentlich zugänglichen Daten erreichten 0,99, solche mit privaten Daten 0,97. Das Muster ist beständig und weist in eine Richtung: Je mehr eine Studie der realen, vorausschauenden, unselektierten klinischen Anwendung gleicht, desto mehr nähert sich die Leistung dem bloß Guten an. Die Autor:innen sagen es selbst — diese Werte könnten einen idealisierten Bestfall abbilden statt das, was eine Klinik tatsächlich erreichen würde.

Warum das hier zählt

Für europäische Ärzt:innen, die einschätzen wollen, wo diese Technik steht, fällt die Lesart im selben Atemzug ermutigend und unvollständig aus. Die Evidenzbasis ist größer und konsistenter als in vielen Bereichen der diagnostischen KI, und die klinische Logik — ein untersucherunabhängiger Ultraschall für Hochrisikogruppen — ist tragfähig. Doch die Studien sind überwiegend retrospektiv, monozentrisch und stammen großteils aus Kohorten, mit Geräten und Sonografiestandards, die denen eines europäischen Krankenhauses unähnlich sind. Ob ein solches Modell bei europäischen Patient:innen, auf anderer Technik und prospektiv dieselbe Leistung erbringt, ist keine Frage, die man nach der Einführung klärt; es ist die Frage, die zuerst zu beantworten ist. „Klinisch plausibel“ und „extern validiert“ sind nicht dasselbe, und der Abstand dazwischen ist genau jene 0,08 an AUC, die diese Metaanalyse ehrlich genug war zu zeigen.

Quelle: Song J, Liu D, Li J, Cong H, Deng R, Lu Y, Sun J, Zhang J. Assessment of the Diagnostic Performance and Clinical Impact of AI in Hepatic Steatosis: Systematic Review and Meta-Analysis. J Med Internet Res 2026;28:e78310. Eine Metaanalyse überwiegend retrospektiver, monozentrischer Studien zur diagnostischen Treffsicherheit mit hoher Heterogenität zwischen den Studien und kaum externer Validierung; die gepoolte Genauigkeit ist am ehesten als interner Bestfall zu lesen, nicht als prospektiver.