Da sich viele sexuell übertragbare Infektionen (STI) mit charakteristischen Hautveränderungen manifestieren, bietet sich potenziell die Möglichkeit, auch Künstliche Intelligenz für die Diagnose zu nutzen. Allerdings ist die Technologie bei Weitem noch nicht ausgereift: Bis zum Einsatz in der klinischen Praxis sind zahlreiche Probleme zu lösen. So beschreibt es ein Autorenteam um Ming Liu von der Universität Hongkong.

Allein 2019 infizierten sich schätzungsweise 700 Millionen Menschen mit STI, so die Wissenschaftlerinnen und Wissenschaftler. Die Inzidenz hat sich seit 1990 mehr als verdoppelt. In vielen Fällen lenken die kutanen Manifestationen den Verdacht auf die entsprechenden Erreger, wie Mpox-Viren, Skabies, Treponema pallidum oder HSV und HPV. Wie gut KI bei der Frühdiagnose helfen kann, untersuchte das Forscherteam anhand von Studien, die sich mit dem Einsatz von Deep-Learning-Algorithmen zur Klassifikation von STI-typischen Hauterscheinungen beschäftigt hatten. 88 % der Studien waren zu Mpox, 8 % zu Skabies, 4 % zu Herpes-Infektionen und jeweils 1 % zu Syphilis bzw. Molluscum contagiosum.

Erhebliche Qualitätsdefizite bei den Algorithmen

In der Metaanalyse von 55 Studien betrug die gepoolte Sensitivität bzw. Spezifität der KI-basierten STI-Diagnose anhand von Hautfotografien für Mpox 0,97 bzw. 0,99 und für Skabies 0,95 bzw. 0,97. Die meisten Studien nutzten öffentliche Datensätze als Primärquelle.

In allen Arbeiten kamen traditionelle Convolutional Neural Networks mit Backbone-Architektur zur Extraktion der Bildmerkmale bzw. deren Kategorisierung (z. B. ResNet von Microsoft oder VGGNet von der Oxford University) zum Einsatz. Allerdings bemängeln die Autorinnen und Autoren erhebliche Qualitätsdefizite der Algorithmen in Bezug auf die ausgewerteten Datensätze sowie technischen Beschreibungen und verschiedenen Anwendungsaspekte. Gegenwärtig fehle den Modellen die Generalisierbarkeit, sodass an einen Einsatz in der klinischen Praxis oder im STI-Screening in unterschiedlichen Bevölkerungsgruppen nicht zu denken sei.

Um STI anhand von Hautfotografien zuverlässig erkennen zu können, benötigen Deep-Learning-Algorithmen standardisierte Datensätze. Berücksichtigt werden müssen das breite Spektrum an Hauttönen, verschiedene Körperstellen und auch Menschen aus unterschiedlichen geografischen Regionen. Abgesehen davon sei die Verankerung und Spezifizierung des KI-basierten STI-Screenings in den Leitlinien unverzichtbar. Bildbasierte Anwendungen müssen zudem sicherstellen, dass bei der Beurteilung von Hautmanifestationen an sensiblen Körperstellen die Privatsphäre der Betroffenen geschützt wird.

Quelle: Liu M et al. Lancet Digit Health 2025; 7: 100894; doi: 10.1016/j.landig.2025.100894