Zusammenfassung
Hintergrund. Künstliche Intelligenz (KI) wird zunehmend zur Beurteilung von Hautveränderungen eingesetzt. Das Vertrauen in diese Technologie hängt jedoch nicht nur von ihrer Genauigkeit unter Laborbedingungen ab, sondern auch von transparenten Daten über ihre Leistungsfähigkeit im klinischen Alltag. Die meisten Studien zeigen eine hohe Genauigkeit unter kontrollierten Bedingungen. Nur wenige Berichte kombinieren jedoch technische Validierung, unabhängige klinische Bewertung und einen Vergleich mit der wissenschaftlichen Literatur.
Ziel. Bewertung der Möglichkeiten und Grenzen KI-gestützter Hautanalysen anhand von drei Quellen: dem Skinive Accuracy Report 2026, einer unabhängigen klinischen Bewertung in einem spezialisierten medizinischen Zentrum und aktuellen, von Fachkollegen begutachteten wissenschaftlichen Veröffentlichungen.
Methoden. Es wurde eine umfassende Analyse der technischen Validierungsdaten des Skinive-Algorithmus, einer unabhängigen klinischen Bewertung anhand einer Stichprobe komplexer klinischer Fälle sowie der veröffentlichten wissenschaftlichen Literatur durchgeführt.
Ergebnisse. Der Skinive-Algorithmus zeigt von Version zu Version eine kontinuierliche Verbesserung seiner Leistungsfähigkeit. Bei der unabhängigen Bewertung komplexer klinischer Fälle wurde in 80 % der Fälle ein klinisch nützliches Ergebnis erzielt. Dazu zählten eine korrekte Diagnose unter den drei wahrscheinlichsten Vorhersagen, die richtige Zuordnung zu einer Krankheitsgruppe oder eine angemessene Empfehlung zur Überweisung an einen Facharzt.
Schlussfolgerungen. KI-gestützte Hautanalysen können einen klinisch relevanten Beitrag zur ersten Beurteilung von Hautveränderungen leisten, sofern die Technologie als Instrument zur Entscheidungsunterstützung und nicht als Ersatz für ärztliche Untersuchungen eingesetzt wird. Weitere prospektive multizentrische Studien sind erforderlich.
Einleitung
Künstliche Intelligenz gehört zu den sich am schnellsten entwickelnden Technologien in der Dermatologie. Unter kontrollierten Bedingungen können Deep-Learning-Systeme Genauigkeitswerte erreichen, die mit denen erfahrener Dermatologen vergleichbar sind. Die Übertragung dieser Ergebnisse in den klinischen Alltag bleibt jedoch eine erhebliche Herausforderung.
Die meisten Studien bewerten KI anhand traditioneller Kennzahlen wie Sensitivität, Spezifität und der Fläche unter der ROC-Kurve (AUROC). Diese Kennzahlen spiegeln jedoch nicht vollständig wider, wie sich ein System bei Bildern unterschiedlicher Qualität, seltenen Erkrankungen oder vielfältigen Patientenpopulationen verhält. Deshalb gewinnen Real-World Evidence (RWE), also Erkenntnisse aus der realen Versorgungspraxis, bei der Bewertung KI-basierter Medizintechnologien zunehmend an Bedeutung.
Der vorliegende Bericht kombiniert technische Validierung, unabhängige klinische Bewertung und einen Vergleich mit der wissenschaftlichen Literatur. Ziel ist es nicht, zu behaupten, dass KI eine endgültige Diagnose stellen kann. Stattdessen wird ihre Rolle als Instrument zur Entscheidungsunterstützung untersucht: zur frühzeitigen Risikobewertung, zur selbstständigen Hautkontrolle und zur Priorisierung von Überweisungen an Fachärzte.
Quellen der wissenschaftlichen Evidenz
Der Bericht basiert auf drei unabhängigen Evidenzquellen:
- Skinive Accuracy Report 2026 – technische Validierung des Algorithmus anhand einer standardisierten Methodik.
- Unabhängige klinische Bewertung, durchgeführt in einem spezialisierten medizinischen Zentrum anhand einer Stichprobe komplexer klinischer Fälle.
- Aktuelle wissenschaftliche Literatur über künstliche Intelligenz in der Dermatologie und im digitalen Gesundheitswesen.
Jede Quelle liefert eine eigene Evidenzebene: Die technische Validierung misst die Leistungsfähigkeit unter standardisierten Bedingungen; die klinische Bewertung untersucht das Verhalten des Systems bei komplexen Fällen; die wissenschaftliche Literatur bietet einen externen Kontext für die Interpretation der Ergebnisse.
Ergebnisse aus 6,5 Millionen KI-gestützten Hautanalysen unter realen Bedingungen
Wie künstliche Intelligenz im dermatologischen Alltag eingesetzt wird
Seit dem Start der Plattform hat Skinive mehr als 6,57 Millionen KI-gestützte Hautanalysen durchgeführt (drittes Quartal 2026). Damit verfügt die Plattform über einen der größten proprietären Datensätze zur smartphonebasierten Hautbeurteilung unter realen Bedingungen.
Diese Daten spiegeln nicht die Prävalenz von Erkrankungen in der Gesamtbevölkerung wider. Sie ermöglichen jedoch Einblicke darin, wie Nutzer dermatologische KI im Alltag tatsächlich einsetzen.
Abbildung: Geografische Verteilung KI-gestützter Hautanalysen.
Wichtigste Erkenntnis: Der Datensatz dokumentiert die alltägliche Nutzung der Technologie in unterschiedlichen Gesundheitssystemen und geografischen Regionen und bildet damit vielfältige reale Einsatzbedingungen ab.
Geografische Verteilung. Die meisten Analysen entfallen auf Deutschland, Russland, Indien, das Vereinigte Königreich, Frankreich, Italien, Bangladesch, Spanien, Australien und Brasilien. Es folgen Argentinien, Kolumbien, die Niederlande, Mexiko, Polen, Belarus, die USA, Österreich, Chile und die Philippinen.
Welche Hautprobleme lassen Nutzer tatsächlich analysieren?
Nutzer greifen nicht ausschließlich zur KI, um hautkrebs zu erkennen.
Unter den erkannten Hautveränderungen stellen entzündliche Hauterkrankungen die größte Kategorie dar.
Abbildung: Verteilung der durch KI erkannten Hautveränderungen.
Wichtigste Erkenntnis: Entzündliche Hauterkrankungen bilden die wichtigste Anwendungskategorie dermatologischer KI unter realen Bedingungen, während die Bewertung des Hautkrebsrisikos weiterhin zu den klinisch bedeutendsten Einsatzgebieten gehört.
Erkennung klinisch relevanter Risiken
Bei 14,68 % aller KI-gestützten Analysen wurden Hautveränderungen erkannt, die als klinisch relevante Risikoindikatoren eingestuft wurden und weitere Aufmerksamkeit erfordern.
Dabei handelt es sich nicht um bestätigte Diagnosen, sondern um algorithmengestützte Empfehlungen hinsichtlich der möglichen Notwendigkeit einer fachärztlichen Untersuchung.
Abbildung: Erkennung klinisch relevanter Risiken.
Wichtigste Erkenntnis: Anteil der KI-gestützten Hautanalysen, bei denen Empfehlungen aufgrund klinisch relevanter Risikoindikatoren ausgesprochen wurden.
Die erhöhte Erkennungsrate von Risiken kann durch einen Selbstselektionsbias erklärt werden: Nutzer wählen selbst diejenigen Hautveränderungen zur Analyse aus, die sie für verdächtig halten.
Mobile Plattformen und Zugänglichkeit
Ungefähr 60–65 % der Analysen wurden auf Android-Geräten durchgeführt, die übrigen von iPhone-Nutzern.
Diese Verteilung verdeutlicht die breite Zugänglichkeit dermatologischer Technologien auf Smartphones, unabhängig vom verwendeten mobilen Betriebssystem.
Abbildung: Verteilung der Analysen nach mobilen Plattformen.
Die Bildqualität bleibt der wichtigste beeinflussbare Faktor
Bei Analysen, die nicht erfolgreich abgeschlossen werden konnten, war die Mehrheit der Fehler auf zwei vermeidbare Faktoren zurückzuführen:
- unzureichende Beleuchtung;
- unscharfe Bilder aufgrund falscher Fokussierung oder Kamerabewegungen.
Im Gegensatz zu Einschränkungen, die mit der Morphologie von Hautveränderungen oder den technischen Eigenschaften der Kamera zusammenhängen, können diese Faktoren unmittelbar von den Nutzern beeinflusst werden.
Abbildung: Hauptursachen für eine verminderte Bildqualität.
Wichtigste Erkenntnis: Eine bessere Anleitung zur korrekten Aufnahme von Hautbildern kann die diagnostische Leistungsfähigkeit zusätzlich verbessern, ohne dass der KI-Algorithmus selbst verändert werden muss.
Wichtigste Erkenntnisse aus den Real-World-Daten
Die Analyse von mehr als 6,57 Millionen KI-gestützten Hautbeurteilungen ermöglicht mehrere wichtige Beobachtungen, die über traditionelle Validierungsstudien hinausgehen.
- Dermatologische KI wird häufiger zur Beurteilung entzündlicher Hauterkrankungen eingesetzt, als viele medizinische Fachkräfte möglicherweise erwarten.
- Nutzer verwenden KI zur Bewertung konkreter Hautprobleme und nicht überwiegend für ein allgemeines präventives Screening.
- Die Bildqualität ist der wichtigste veränderbare Faktor, der den erfolgreichen Abschluss einer Analyse beeinflusst.
- Die kontinuierliche Erweiterung proprietärer klinischer Datensätze hat eine fortlaufende Verbesserung des Algorithmus ermöglicht, insbesondere bei der Erkennung pigmentierter Hautveränderungen und der Bewertung des Hautkrebsrisikos.
Accuracy Report 2026: Die wichtigsten Ergebnisse
Der Skinive Accuracy Report 2026 dokumentiert die Entwicklung des Skinive-Algorithmus anhand einer standardisierten Methodik, die konsequent auf verschiedene Versionen angewendet wurde.
- Der Algorithmus erkennt 55 Hauterkrankungen.
- Für das Training wurden etwa 250.000 klinisch annotierte Bilder verwendet.
- Seit dem Start der Plattform wurden mehr als 6,5 Millionen KI-gestützte Hautanalysen durchgeführt.
- Es wurde eine kontinuierliche Verbesserung von Sensitivität, Spezifität, Genauigkeit und F1-Score dokumentiert.
Abbildung: Entwicklung der Leistungskennzahlen der Skinive-KI (2021–2026).
Wichtigste Erkenntnis: Die Verbesserungen wurden erzielt, ohne eine Kennzahl auf Kosten anderer zu optimieren. Die Leistungsfähigkeit des Algorithmus ist insgesamt ausgewogener geworden.
Dieses Gleichgewicht ist besonders wichtig für klinische Entscheidungsunterstützungssysteme, die sowohl das Risiko übersehener Hautveränderungen als auch die Wahrscheinlichkeit falsch positiver Ergebnisse berücksichtigen müssen.
Klinische Bewertung unter anspruchsvollen Bedingungen eines spezialisierten medizinischen Zentrums
Studiendesign
Im Jahr 2026 wurde Skinive in einem spezialisierten medizinischen Zentrum klinisch bewertet. Der Name der Einrichtung wird aufgrund bestehender Vertraulichkeitsverpflichtungen nicht veröffentlicht.
Das Zentrum behandelt komplexe klinische Fälle, die von Hausärzten und Dermatologen überwiesen werden.
Die Studie stellt somit eine Bewertung unter besonders anspruchsvollen Bedingungen und keine bevölkerungsbasierte Screeningstudie dar.
- Insgesamt wurden 241 Untersuchungen durchgeführt.
- 160 Fälle verfügten über vollständige Datensätze und bildeten die Hauptstichprobe.
- Referenzdiagnosen: histopathologische Untersuchung in 117 Fällen, zytologische Untersuchung in 22 Fällen und klinische Diagnose durch einen Dermatologen in 21 Fällen.
Die Bewertung erfolgte auf mehreren Ebenen:
- Exakte Übereinstimmung mit der ersten, zweiten oder dritten Vorhersage des Algorithmus (Top 1, Top 2 und Top 3).
- Korrekte Zuordnung zu einer Krankheitsgruppe.
- Angemessene Überweisung an einen Facharzt entsprechend dem Risikoniveau.
- Vollständige Nichtübereinstimmung.
- Fälle mit Erkrankungen, die vom Algorithmus nicht erkannt werden.
Unterschiede zwischen Basalzellkarzinom und plattenepithelkarzinom der Haut sowie zwischen melanom und Lentigo-maligna-Melanom wurden nicht als Fehler gewertet.
Diese Erkrankungen können visuell schwer voneinander zu unterscheiden sein und erfordern eine histologische Untersuchung.
Studienpopulation
Die Stichprobe war besonders selektiv und anspruchsvoll.
Es überwogen Fälle mit Verdacht auf Melanom, Basalzellkarzinom, Plattenepithelkarzinom, Morbus Bowen und dysplastische Nävi.
Einfache gutartige Hautveränderungen waren nahezu nicht vertreten.
Dieser Umstand ist für die Interpretation der Ergebnisse von entscheidender Bedeutung.
In einer gewöhnlichen Screeningpopulation sind die meisten Hautveränderungen gutartig und weisen typische Merkmale auf.
In der vorliegenden Studie waren dagegen atypische, bösartige, präkanzeröse und differenzialdiagnostisch schwierige Hautveränderungen überproportional häufig vertreten.
Daher können die Ergebnisse nicht unmittelbar auf ein bevölkerungsweites Screening übertragen werden.
Ergebnisse
- Exakte Übereinstimmung mit der ersten Vorhersage (Top 1): 87 von 160 Fällen beziehungsweise 54,4 %.
- Exakte Übereinstimmung unter den drei wahrscheinlichsten Vorhersagen (Top 3): In weiteren 19 Fällen (11,9 %) entsprach die korrekte Diagnose der zweiten Vorhersage und in 7 Fällen (4,4 %) der dritten. Insgesamt befand sich die richtige Diagnose in 113 von 160 Fällen beziehungsweise 70,6 % unter den drei wahrscheinlichsten Vorhersagen.
- Korrekte Zuordnung zur Krankheitsgruppe: weitere 6 Fälle (3,75 %). Die konkrete Diagnose stimmte nicht überein, die Krankheitsgruppe wurde jedoch korrekt bestimmt.
- Angemessene Überweisung: 9 Fälle (5,6 %). Weder die Diagnose noch die Krankheitsgruppe stimmten überein, die Risikobewertung führte jedoch zu einer angemessenen Entscheidung über die Überweisung des Patienten.
- Kombiniertes klinisch nützliches Ergebnis: Unter Berücksichtigung der Übereinstimmungen innerhalb der drei wahrscheinlichsten Vorhersagen, der korrekten Zuordnung zu Krankheitsgruppen und angemessener Überweisungsempfehlungen lieferte Skinive in 128 von 160 Fällen beziehungsweise 80,0 % ein klinisch nützliches Ergebnis.
- Verbleibende Fälle: 6 nicht erkannte Erkrankungen (3,75 %) und 26 vollständig falsche Ergebnisse (16,25 %).
- Subgruppenanalyse: Unter 23 Fällen ohne histologische Untersuchung oder mit unklaren zytologischen Ergebnissen stimmte eine der drei wahrscheinlichsten Vorhersagen in 19 Fällen (82,6 %) mit der klinischen Diagnose des Dermatologen überein. In 4 Fällen (17,4 %) traten Abweichungen auf, wobei 3 davon Erkrankungen betrafen, die vom Algorithmus nicht erkannt werden.
Klinische Interpretation
Die wichtigste Schlussfolgerung besteht nicht darin, dass Skinive in allen Fällen eine exakte Diagnose gestellt hätte. Das war nicht der Fall.
Entscheidend ist vielmehr, dass das System in 80 % der Fälle einer außergewöhnlich anspruchsvollen Stichprobe eines spezialisierten medizinischen Zentrums einen diagnostischen Nutzen oder eine praktische Unterstützung bei Überweisungsentscheidungen bot.
Für ein Instrument zur Entscheidungsunterstützung sind die exakte diagnostische Übereinstimmung und die angemessene Überweisung eines Patienten zwei miteinander verbundene, aber unterschiedliche Ergebnisse.
Die histopathologische Untersuchung bleibt für die endgültige Klassifizierung vieler bösartiger und grenzwertiger Hautveränderungen unverzichtbar.
Deshalb sollte eine KI-Antwort auf Grundlage eines Fotos einer Hautveränderung nicht ausschließlich danach bewertet werden, ob sie eine histologische Klassifizierung reproduzieren kann.
Auch die Fähigkeit des Systems, klinisch verdächtige Befunde zu erkennen, Risikostufen zu bestimmen und eine rechtzeitige fachärztliche Abklärung zu unterstützen, ist klinisch relevant.
Fehlerprofil: Vollständig falsche Ergebnisse machten 16,25 % der Fälle aus.
Sie betrafen überwiegend seltene Erkrankungen, darunter Spitz-Nävus, juveniles Xanthogranulom und pyogenes Granulom, sowie atypische Erscheinungsformen häufiger Erkrankungen.
Falsch positive Ergebnisse traten häufiger auf als falsch negative.
Aus Sicht der onkologischen Vorsorge kann eine Tendenz zu falsch positiven Ergebnissen unter bestimmten Umständen vorzuziehen sein, da sie das Risiko verringern kann, eine gefährliche Hautveränderung zu übersehen.
Allerdings haben falsch positive Ergebnisse ebenfalls Konsequenzen: Sie können Ängste auslösen, unnötige Arztbesuche verursachen und die Belastung des Gesundheitssystems erhöhen.
Das optimale Gleichgewicht hängt vom klinischen Kontext und der Verfügbarkeit von Fachärzten ab.
Die Ergebnisse unterstützen den Einsatz von Skinive als ergänzendes Instrument zur Risikoerkennung und Entscheidungsunterstützung, nicht jedoch als autonomes Diagnosesystem.
Einschränkungen der Studie
- Die Hauptstichprobe umfasst lediglich 160 Fälle, was die statistische Präzision der Ergebnisse einschränkt.
- Die Stichprobe wurde nicht fortlaufend rekrutiert und ist nicht repräsentativ für die Gesamtbevölkerung. Sie enthält einen hohen Anteil komplexer und bösartiger Hautveränderungen, wodurch ein Spektrumbias und ein Selektionsbias entstehen.
- Nicht alle Referenzdiagnosen wurden histologisch bestätigt.
- Die kombinierte Kennzahl von 80 % vereint drei unterschiedliche Bewertungsebenen. Sie darf daher nicht als „diagnostische Genauigkeit von 80 %“ dargestellt werden. Die strengen Übereinstimmungsraten für Top 1 und Top 3 betragen 54,4 % beziehungsweise 70,6 %.
- Die Ergebnisse können nicht unmittelbar auf bevölkerungsweite Screeningprogramme, die hausärztliche Versorgung oder die selbstständige Hautbeurteilung durch Nutzer übertragen werden.
Vergleich mit der veröffentlichten wissenschaftlichen Literatur
Im vergangenen Jahrzehnt haben zahlreiche Studien gezeigt, dass Deep-Learning-Systeme bei bestimmten Klassifizierungsaufgaben unter kontrollierten Bedingungen eine mit Dermatologen vergleichbare Leistungsfähigkeit erreichen können.
Dieselben Studien betonen jedoch, dass eine unter Laborbedingungen erreichte Genauigkeit keine vergleichbare Leistungsfähigkeit im klinischen Alltag garantiert.
Systematische Übersichtsarbeiten zeigen eine erhebliche Heterogenität zwischen den Studien.
Unterschiede bei der Bildaufnahme, der Prävalenz von Erkrankungen, den Referenzmethoden und den verwendeten Kennzahlen erschweren direkte Vergleiche.
Deshalb werden prospektive klinische Validierungen und die Nutzung von Real-World-Daten zunehmend empfohlen.
Die Ergebnisse von Skinive entsprechen dieser Entwicklung: Sie zeigen schrittweise Verbesserungen durch iterative Entwicklung, die Erweiterung der Datensätze und kontinuierliche Validierung statt durch einen einzelnen technologischen Durchbruch.
Der Bericht verfolgt nicht das Ziel, eine Überlegenheit von Skinive gegenüber anderen Systemen nachzuweisen.
Unterschiede im Studiendesign und in der Zusammensetzung der Stichproben erlauben keine wissenschaftlich fundierten direkten Vergleiche.
Die Schlussfolgerungen entsprechen dem sich herausbildenden wissenschaftlichen Konsens: Eine zuverlässige Bewertung klinischer Entscheidungsunterstützungssysteme erfordert mehrere sich ergänzende Evidenzquellen.
Diskussion
Der vorliegende Bericht kombiniert drei Evidenzquellen: technische Validierung, unabhängige klinische Bewertung und Vergleich mit der wissenschaftlichen Literatur.
Die technische Validierung zeigt eine kontinuierliche Verbesserung des Algorithmus.
Die klinische Bewertung ergänzt diese Ergebnisse, indem sie zeigt, wie das System unter deutlich anspruchsvolleren diagnostischen Bedingungen funktioniert.
Die wissenschaftliche Literatur bietet einen externen Kontext, der eine differenziertere Interpretation der Beobachtungen ermöglicht.
Eine wichtige Erkenntnis ist, dass die Bewertung medizinischer KI über eine einzelne Kennzahl hinausgehen muss.
Eine exakte diagnostische Übereinstimmung bleibt wichtig, bildet jedoch den klinischen Nutzen von Systemen zur frühzeitigen Beurteilung und Patientenüberweisung nicht vollständig ab.
Selbst in einer spezialisierten Stichprobe komplexer Fälle leistete Skinive häufig einen klinisch relevanten Beitrag durch differenzialdiagnostische Hinweise, die Erkennung von Krankheitsgruppen oder Empfehlungen zur fachärztlichen Abklärung.
Praktische Bedeutung für die hausärztliche Versorgung, Teledermatologie und selbstständige Hautbeurteilung: Die entscheidende Frage lautet häufig nicht „Wie lautet die exakte Diagnose?“, sondern „Sollte dieser Patient ärztlich untersucht werden?“.
Bei sachgemäßer Anwendung kann KI zur frühzeitigen Risikoerkennung beitragen, das Gesundheitsbewusstsein der Patienten stärken und die Priorisierung fachärztlicher Untersuchungen unterstützen.
Damit ergänzt die Technologie die klinische Untersuchung, Dermatoskopie und histologische Diagnostik, ersetzt diese jedoch nicht.
Der Bericht unterstreicht außerdem die Bedeutung von Transparenz.
Technische Genauigkeit allein vermittelt nur ein unvollständiges Bild der Leistungsfähigkeit eines Systems.
Unabhängige Bewertungen, die Analyse von Einschränkungen und der Vergleich mit der wissenschaftlichen Literatur ermöglichen eine realistischere Interpretation der Ergebnisse.
Einschränkungen und zukünftige Perspektiven
- Die klinische Bewertung wurde in einem spezialisierten medizinischen Zentrum anhand einer stark selektierten Patientenstichprobe durchgeführt. Die Ergebnisse spiegeln daher nicht die üblichen Bedingungen der hausärztlichen Versorgung oder der selbstständigen Hautkontrolle wider.
- Nicht alle Hautveränderungen wurden mit denselben Verfahren zur Diagnosesicherung untersucht.
- Der fehlende öffentliche Zugang zum vollständigen Datensatz schränkt die unabhängige Reproduzierbarkeit der Ergebnisse ein, obwohl Methodik und Leistungskennzahlen veröffentlicht wurden.
- Kein einzelner Datensatz, keine Studie und keine Kennzahl kann die Zuverlässigkeit eines KI-Systems vollständig beschreiben. Weitere Real-World-Daten, unabhängige externe Bewertungen und prospektive multizentrische Studien sind erforderlich.
- Zukünftige Berichte sollten größere prospektive Datensätze, Längsschnittstudien, neue unabhängige Bewertungen und zusätzliche Ergebnisse im Zusammenhang mit der Überweisung von Patienten an Fachärzte umfassen.
Fazit
Künstliche Intelligenz spielt in der modernen Dermatologie eine zunehmend wichtige Rolle.
Das Vertrauen in diese Technologien muss jedoch auf transparenter wissenschaftlicher Evidenz beruhen und nicht auf einzelnen Leistungskennzahlen.
Die wichtigsten Schlussfolgerungen:
- Die technische Validierung zeigt eine kontinuierliche Verbesserung des Skinive-Algorithmus von Version zu Version.
- Die unabhängige klinische Bewertung bestätigt einen klinisch relevanten Nutzen unter anspruchsvollen Bedingungen: In einer besonders komplexen Stichprobe wurden in 80 % der Fälle klinisch nützliche Ergebnisse erzielt.
- Der klinische Nutzen beschränkt sich nicht auf die diagnostische Genauigkeit. Die korrekte Klassifizierung von Erkrankungen und angemessene Überweisungsempfehlungen sind wichtige Bestandteile der Entscheidungsunterstützung.
- Die Ergebnisse stimmen mit der wissenschaftlichen Literatur überein, die zunehmend die Notwendigkeit betont, technische Validierung, Real-World-Daten und unabhängige klinische Bewertungen miteinander zu kombinieren.
- Transparenz hinsichtlich der Stärken und Grenzen ist von grundlegender Bedeutung. Ein verantwortungsvoller Einsatz von KI erfordert kontinuierliche Validierung, unabhängige Bewertungen und die regelmäßige Veröffentlichung von Ergebnissen.
KI ersetzt keinen Dermatologen.
Sie kann jedoch die frühzeitige Risikobewertung unterstützen, das Gesundheitsbewusstsein der Patienten stärken und die Priorisierung fachärztlicher Untersuchungen verbessern, wenn sie in bestehende dermatologische Versorgungsprozesse integriert wird.
Datenverfügbarkeit
Der vollständige Trainingsdatensatz und die proprietären Bildsammlungen sind aufgrund geschützter klinischer Daten und geistiger Eigentumsrechte nicht öffentlich zugänglich.
Aggregierte Leistungskennzahlen, die Methodik und die Validierungsergebnisse werden im Skinive Accuracy Report 2026 und in den entsprechenden wissenschaftlichen Veröffentlichungen dargestellt.
Interessenkonflikterklärung
Kirill Sokol ist Gründer von Skinive.
Die Autoren sind an der Entwicklung, Validierung und Kommerzialisierung der KI-Plattform Skinive beteiligt.
Die in diesem Bericht beschriebene unabhängige klinische Bewertung wurde von medizinischen Fachkräften eines spezialisierten dermatologischen Zentrums der tertiären Versorgung durchgeführt.
Die medizinische Einrichtung behielt die vollständige Verantwortung für die Festlegung der Referenzdiagnosen gemäß der üblichen klinischen Praxis.
Der Name der Einrichtung wird entsprechend einer Vertraulichkeitsvereinbarung nicht veröffentlicht. Dieser Umstand beeinflusst die Interpretation der dargestellten Ergebnisse nicht.
Die Autoren erklären, dass keine weiteren Interessenkonflikte bestehen.
Häufig gestellte Fragen (FAQ)
Was ist der Skinive Real-World Evidence Report?
Der Skinive Real-World Evidence Report fasst die Ergebnisse von mehr als 6,5 Millionen KI-gestützten Hautanalysen zusammen und kombiniert diese mit klinischen Validierungsdaten sowie wissenschaftlichen Erkenntnissen aus begutachteten Fachpublikationen.
Ziel des Berichts ist es, die Leistungsfähigkeit der Skinive-KI im alltäglichen Einsatz, ihre diagnostische Genauigkeit und die Grenzen großer Datensätze aus der realen Versorgungspraxis transparent darzustellen.
Warum ist ein Datensatz mit 6,5 Millionen Hautanalysen so bedeutend?
Große Real-World-Datensätze ermöglichen die Bewertung von KI-Algorithmen anhand einer breiten Vielfalt von Hauttypen, Aufnahmebedingungen und klinischen Erscheinungsbildern, die in kontrollierten Studien nur schwer vollständig reproduziert werden können.
Sie liefern außerdem wertvolle Erkenntnisse darüber, wie Menschen KI-basierte dermatologische Technologien im Alltag tatsächlich nutzen.
Kann künstliche Intelligenz Hautkrebs zuverlässig erkennen?
Künstliche Intelligenz kann dabei helfen, Hautveränderungen zu identifizieren, die ärztliche Aufmerksamkeit erfordern. Dazu gehören verdächtige pigmentierte Hautveränderungen, die mit einem Melanom oder anderen Formen von Hautkrebs in Verbindung stehen können.
Allerdings sollte KI als Instrument zur Entscheidungsunterstützung betrachtet werden und nicht als Ersatz für eine klinische Untersuchung oder histopathologische Diagnostik.
Kann künstliche Intelligenz einen Dermatologen ersetzen?
Nein. KI soll die frühzeitige Risikobewertung und die Entscheidung über die Notwendigkeit einer fachärztlichen Untersuchung unterstützen, nicht aber Dermatologen ersetzen.
Endgültige Diagnosen und Behandlungsentscheidungen müssen stets von qualifizierten medizinischen Fachkräften getroffen werden.
Welche Faktoren beeinträchtigen die Leistungsfähigkeit der KI bei Hautanalysen am häufigsten?
Die häufigsten Ursachen für fehlgeschlagene Bildanalysen oder eine verminderte Bildqualität sind:
- unzureichende Beleuchtung;
- unscharfe Bilder;
- falsche Fokussierung;
- unvollständige Darstellung der Hautveränderung.
Eine bessere Bildqualität erhöht die Zuverlässigkeit KI-gestützter Hautanalysen erheblich.
Wurde Skinive klinisch validiert?
Ja. Skinive hat mehrere Validierungsstudien sowie einen jährlichen Genauigkeitsbericht (Accuracy Report) veröffentlicht, in dem die Methodik, die Validierungsdatensätze und die diagnostischen Leistungskennzahlen des Algorithmus beschrieben werden.
Die klinische Evidenz wird im Zuge der Weiterentwicklung der Plattform kontinuierlich aktualisiert.
Weitere Informationen finden Sie im Clinical Evidence Hub.
Welche Smartphones wurden für die KI-gestützten Hautanalysen verwendet?
Ungefähr 60–65 % der Untersuchungen wurden auf Android-Geräten durchgeführt, während die übrigen Analysen von iPhone-Nutzern stammten.
Diese Gerätevielfalt ermöglicht es, die Leistungsfähigkeit des Algorithmus bei unterschiedlichen Kameras und unter verschiedenen realen Aufnahmebedingungen zu bewerten.
