[Artificial intelligence in diagnostics-a pathology perspective]
- PMID: 41396309
- DOI: 10.1007/s00292-025-01524-9
[Artificial intelligence in diagnostics-a pathology perspective]
Abstract
The increasing complexity and individualization of oncologic diagnostics and therapy present new challenges for pathology. At the same time, artificial intelligence (AI) is evolving from a futuristic concept into a core area of digital medicine. With the availability of digital whole-slide images (WSIs) and increasingly powerful deep learning architectures, the number of publications in digital pathology has risen almost exponentially since around 2019.At the algorithmic level, numerous innovations have emerged in recent years: convolutional neural networks (CNNs), which initially dominated the field, are increasingly being replaced by Vision Transformer (ViT)-based models. Since 2023, foundation models have gained rapid importance due to their broad applicability and generalizability.Proof-of-concept studies have repeatedly demonstrated that AI-based solutions can improve the efficiency and sensitivity of diagnostic workflows. Several AI algorithms for histopathology have already been approved by U.S. and European regulatory agencies. More recent developments, such as vision-language models (VLMs), enable the multimodal integration of text and image data, opening up new interactive possibilities in diagnostics.Overall, the field is at the transition from proof-of-concept studies toward clinical implementation. In particular, foundation models have the potential to fundamentally reshape the structure of histopathological diagnostics in the near future. However, technical, legal, and socio-psychological barriers must still be overcome before widespread clinical adoption can be achieved.
Die zunehmende Komplexität und Individualisierung onkologischer Diagnostik und Therapie stellt die Pathologie vor neue Herausforderungen. Gleichzeitig entwickelt sich die Künstliche Intelligenz (KI) von einer Zukunftstechnologie zu einem zentralen Bestandteil der digitalen Medizin. Dank der Verfügbarkeit digitaler Whole-Slide-Images (WSI) und leistungsfähiger Deep-Learning-Architekturen steigen die Publikationszahlen im Bereich der digitalen Pathologie seit etwa 2019 fast exponentiell an.Auch auf Ebene der algorithmischen Ansätze sind in den letzten Jahren zahlreiche Innovationen zu beobachten: Die zunächst dominierenden faltungsbasierten Convolutional Neural Networks (CNN) werden zunehmend durch Vision-Transformer-(ViT)-basierte Modelle abgelöst. Seit 2023 gewinnen zudem Foundation-Modelle rapide an Bedeutung, die sich insbesondere durch ihre breite Anwendbarkeit und Generalisierbarkeit auszeichnen.Proof-of-Concept-Studien konnten wiederholt zeigen, dass KI-basierte Lösungen die Effizienz und Sensitivität der Diagnostik verbessern können. Inzwischen wurden erste KI-Algorithmen für die histopathologische Diagnostik von US-amerikanischen und europäischen Aufsichtsbehörden zugelassen. Neuere Entwicklungen wie Vision-Language-Modelle (VLMs) ermöglichen darüber hinaus eine multimodale Verknüpfung von Text- und Bilddaten und eröffnen neue interaktive Möglichkeiten in der Diagnostik.Insgesamt befindet sich das Feld an der Schwelle vom Machbarkeitsnachweis zur klinischen Anwendung. Besonders Foundation-Modelle könnten die Struktur der histopathologischen Diagnostik in naher Zukunft grundlegend verändern. Dennoch bleiben technische, rechtliche und sozialpsychologische Hürden zu überwinden, bevor ein breiter klinischer Einsatz erfolgen kann.
Keywords: Artificial intelligence in pathology; Decision support; Diagnostic artificial intelligence biomarkers; Digital pathology; Digital transformation; Multimodal data integration; Pattern recognition.
© 2025. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.
Conflict of interest statement
Einhaltung ethischer Richtlinien. Interessenkonflikt: S. Foersch erhielt Vortragshonorare von AstraZeneca, BMS und MSD. S. Schulz und M. Jesinghaus geben an, dass kein Interessenkonflikt besteht. Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.
References
Literatur
-
- Bommasani R, Hudson DA, Adeli E, Altman R, Arora S, von Arx S, Bernstein MS, Bohg J, Bosselut A, Brunskill E, Brynjolfsson E, Buch S, Card D, Castellon R, Chatterji N, Chen A, Creel K, Davis QJ, Demszky D, Liang P (2021) On the Opportunities and Risks of Foundation Models. arXiv e‑prints, arXiv:2108.07258 https://doi.org/10.48550/arXiv.2108.07258 - DOI
-
- Breen J, Allen K, Zucker K, Godson L, Orsi NM, Ravikumar N (2025) A comprehensive evaluation of histopathology foundation models for ovarian cancer subtype classification. NPJ Precis Oncol 9(1):33. https://doi.org/10.1038/s41698-025-00799-8 - DOI - PubMed - PMC
-
- Chen RJ, Ding T, Lu MY, Williamson DFK, Jaume G, Song AH, Chen B, Zhang A, Shao D, Shaban M, Williams M, Oldenburg L, Weishaupt LL, Wang JJ, Le Vaidya ALP, Gerber G, Sahai S, Williams W, Mahmood F (2024) Towards a general-purpose foundation model for computational pathology. Nat Med 30(3):850–862. https://doi.org/10.1038/s41591-024-02857-3 - DOI - PubMed - PMC
-
- Clusmann J, Ferber D, Wiest IC, Schneider CV, Brinker TJ, Foersch S, Truhn D, Kather JN (2025) Prompt injection attacks on vision language models in oncology. Nat Commun 16(1):1239. https://doi.org/10.1038/s41467-024-55631-x - DOI - PubMed - PMC
-
- Clusmann J, Schulz SJK, Ferber D, Wiest IC, Fernandez A, Eckstein M, Lange F, Reitsam NG, Kellers F, Schmitt M, Neidlinger P, Koop P‑H, Schneider CV, Truhn D, Roth W, Jesinghaus M, Kather JN, Foersch S (2025) Incidental Prompt Injections on Vision—Language Models in Real-Life Histopathology. NEJM AI 2(6):AIcs2500078. https://doi.org/10.1056/AIcs2500078 - DOI