Transparenz

Methoden & Modell

Version 0.1.0 · Stand: Mai 2026 · Modell: Anwarkh1/Skin_Cancer-Image_Classification · Lizenz: Apache-2.0

Hier erklären wir transparent, wie die KI funktioniert, womit sie trainiert wurde und was sie nicht kann.

Was macht die KI genau?

Das Programm hat über 10.000 Bilder von Hautveränderungen angeschaut, die von Hautärzten beschriftet wurden. Es hat dabei gelernt, welche Bildmuster zu welcher Kategorie gehören.

Wenn Sie ein Bild auswählen, vergleicht das Programm es lokal auf Ihrem Gerät mit allem, was es gelernt hat, und ordnet es der ähnlichsten Kategorie zu.

Womit wurde die KI trainiert?

Die KI wurde mit dem HAM10000-Datensatz trainiert, einer Sammlung von 10.015 dermatoskopischen Aufnahmen aus Hautkliniken in Wien (Österreich) und Queensland (Australien). Die Bilder wurden von erfahrenen Hautärzten klassifiziert.

Kategorie	Anzahl Bilder	Anteil
Melanozytärer Nävus (Muttermal)	6.705	66,9 %
Malignes Melanom	1.113	11,1 %
Benigne Keratose	1.099	11,0 %
Basalzellkarzinom	514	5,1 %
Aktinische Keratose / M. Bowen	327	3,3 %
Vaskuläre Läsion	142	1,4 %
Dermatofibrom	115	1,1 %

Fast zwei Drittel aller Trainingsbilder zeigen Muttermale. Das bedeutet: Das Modell ist besonders gut darin, Muttermale zu erkennen, aber weniger geübt bei seltenen Kategorien wie Dermatofibromen oder vaskulären Läsionen.

Was die KI nicht kann

Die KI erkennt nicht, ob ein Muttermal gesund und unauffällig ist. Sie ordnet jedes Bild immer einer der 7 Kategorien zu.
Die KI stellt keine Diagnose. Sie erkennt Bildmuster, keine Krankheiten.
Die KI kennt Ihre Krankengeschichte, Ihren Hauttyp oder Ihre persönlichen Risikofaktoren nicht.
Die KI sieht nur das Foto. Kein Arzt würde nur anhand eines Fotos eine Diagnose stellen.
Die KI wurde hauptsächlich mit Bildern von heller Haut trainiert (Fitzpatrick I bis III). Bei dunklen Hauttönen (Fitzpatrick V bis VI) ist sie deutlich weniger zuverlässig.
Die Prozentzahlen sind keine medizinischen Wahrscheinlichkeiten. Sie zeigen, wie ähnlich das Bild den Trainingsbildern dieser Kategorie ist.

Wie wurde das Modell entwickelt?

Als Basis dient ein Vision Transformer (ViT-Base), ein modernes KI-Modell, das ursprünglich auf Millionen von Alltagsbildern vortrainiert wurde (Transfer Learning von ImageNet-21k). Es wurde anschließend speziell auf den HAM10000-Datensatz angepasst (Fine-Tuning).

Für die Browser-Nutzung wurde das Modell mit INT8-Quantisierung von 343 MB auf 83 MB komprimiert und läuft vollständig lokal in Ihrem Browser über ONNX Runtime Web. Kein Bild wird an einen Server übertragen.

Compliance und Wissenschaft

Für Fachpublikum: Technische Details

Modelldetails

Basismodell:: google/vit-base-patch16-224-in21k
Fine-Tuning:: Anwarkh1/Skin_Cancer-Image_Classification (Apache-2.0)
Quantisierung:: dynamic INT8 via onnxruntime.quantization
Inferenz:: ONNX Runtime Web 1.26.0, WebGPU mit WASM-Fallback
Eingabeformat:: RGB 224x224 Pixel, normalisiert (mean = 0,5, std = 0,5)
Ausgabe:: Softmax über 7 Klassen

Bekannte Limitationen

Hautton-Bias: Daneshjou et al. (2022) zeigten ROC-AUC-Drop von 27 bis 36 Prozent bei Fitzpatrick V und VI.
Klassenimbalanz: NV mit 67 Prozent dominant, Accuracy als alleinige Metrik daher nicht aussagekräftig.
Nicht klinisch validiert.
INT8-Quantisierung kann Genauigkeit gegenüber FP32 reduzieren.
Softmax-Outputs sind keine kalibrierten Wahrscheinlichkeiten.

Regulatorische Einordnung

Wäre diese App ein Medizinprodukt, würde sie als Hochrisiko-KI nach EU AI Act Art. 6 Abs. 1 in Verbindung mit Anhang I gelten. Als nicht-kommerzieller Compliance-Demonstrator ohne medizinische Zweckbestimmung fällt sie nicht darunter. Relevante Artikel bei echter Nutzung: Art. 9 Risikomanagement, Art. 10 Datenqualität, Art. 13 Transparenz, Art. 14 menschliche Aufsicht, Art. 15 Robustheit.

Warum ist diese App kein Hochrisiko-KI-System?

Der EU AI Act stuft KI-Systeme als Hochrisiko ein, wenn sie Sicherheitskomponente eines Medizinprodukts nach MDR sind (Art. 6 Abs. 1 i.V.m. Anhang I KI-VO). Diese App ist aus drei Gründen kein Hochrisiko-System: Erstens verfolgt sie keine medizinische Zweckbestimmung im Sinne von Art. 2 Nr. 1 MDR – sie diagnostiziert nicht, überwacht keine Vitalfunktionen und gibt keine Therapieempfehlungen. Zweitens wird sie ausschließlich zu Bildungs- und Demonstrationszwecken betrieben. Drittens ist sie nicht kommerziell. Sobald auch nur eines dieser drei Kriterien entfiele – insbesondere bei einer medizinischen Zweckbestimmung – würde die App automatisch als Hochrisiko-KI gelten und alle Pflichten nach Art. 9–15 KI-VO wären zu erfüllen. Genau dieses Szenario wird auf dieser Seite dokumentiert.

Quellen

Tschandl, P., Rosendahl, C., & Kittler, H. (2018). The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Scientific Data, 5, Article 180161. https://doi.org/10.1038/sdata.2018.161
Daneshjou, R., Smith, M. P., Sun, M. D., Rotemberg, V., & Zou, J. (2022). Disparities in dermatology AI performance on a diverse, curated clinical image set. Science Advances, 8(32), Article eabq6147. https://doi.org/10.1126/sciadv.abq6147