KI Hautanalyse: Was ein lokaler Melanom-Check wirklich kann

Wenn ich Menschen von meinem Projekt AI Melanom Check erzähle, kommt fast immer dieselbe Frage: „Erkennt die KI jetzt also Hautkrebs?” Meine ehrliche Antwort lautet: Nein! Jedenfalls nicht so, wie die meisten das meinen. Und genau diese Ehrlichkeit ist der Kern dieses Projekts. Eine KI Hautanalyse kann ein nützliches Werkzeug sein, um dich für deine Haut zu sensibilisieren. Sie ist aber kein Medizinprodukt, keine Diagnose und ersetzt weder den Hautarzt noch das gesetzliche Screening.

In diesem Artikel zeige ich dir, wie die Demo unter melanom.kuersatcifci.de technisch funktioniert, warum sie konsequent auf Datenschutz und lokale Verarbeitung setzt – und warum ich offen über ihre Grenzen und über das Thema Bias spreche, statt mit Genauigkeit zu werben.

Warum Hautkrebs-Früherkennung in Deutschland zählt

Die Zahlen zum malignen Melanom

Schwarzer Hautkrebs, das maligne Melanom, ist längst keine Randerscheinung mehr. Im aktuellen RKI-Bericht „Krebs in Deutschland 2021–2023” wurden über 27.430 Melanom-Diagnosen erfasst; im Mehrjahresdurchschnitt geht man von rund 27.000 bis 28.000 Neuerkrankungen pro Jahr aus. Damit steht schwarzer Hautkrebs laut Deutscher Dermatologischer Gesellschaft (DDG) bei Frauen wie Männern an vierter Stelle der häufigsten Krebsneuerkrankungen (5,4 % bzw. 5,2 % aller Fälle).

Die gute Nachricht: Wird das Melanom früh erkannt, sind die Heilungschancen sehr hoch. Die relative 5-Jahres-Überlebensrate liegt laut Zentrum für Krebsregisterdaten beim RKI bei 96 % (Frauen) und 94 % (Männer). Und etwa 67 % aller Melanome werden in einem frühen Tumorstadium (UICC I) entdeckt. Übersetzt heißt das: Aufmerksamkeit und Früherkennung retten Leben. Deutsche Dermatologische Gesellschaft

Das gesetzliche Hautkrebs-Screening (und die aktuelle Debatte)

Seit Juli 2008 haben gesetzlich Versicherte ab 35 Jahren alle zwei Jahre Anspruch auf ein kostenloses Hautkrebs-Screening – beschlossen vom Gemeinsamen Bundesausschuss (G-BA). Deutschland war damit das erste Land weltweit mit einem flächendeckenden, standardisierten Hautkrebs-Screening. Durchgeführt wird es als visuelle Ganzkörperinspektion durch Dermatologen oder entsprechend fortgebildete Hausärzte.

Wichtig zu wissen: 2025/2026 wird über die Zukunft dieses Screenings diskutiert. Eine Regierungskommission hat angeregt, das allgemeine Screening risikobasiert umzubauen, weil ein eindeutiger Rückgang der Sterblichkeit bislang nicht zweifelsfrei belegt sei. Unabhängig vom Ausgang dieser Debatte gilt: Wer eine verdächtige Hautstelle bemerkt, sollte nicht bis zum nächsten Termin warten, sondern sie zeitnah ärztlich abklären lassen.

Muttermal überprüfen mit der ABCDE-Regel

Bevor irgendeine App ins Spiel kommt, ist dein bestes Werkzeug der eigene Blick. Der Krebsinformationsdienst des DKFZ empfiehlt die ABCDE-Regel zur Selbstuntersuchung von Muttermalen und Leberflecken.

A–B–C–D–E im Detail

• A – Asymmetrie: Das Mal ist ungleichmäßig geformt, nicht rund oder oval.
• B – Begrenzung: Der Rand ist unscharf, ausgefranst oder verwaschen.
• C – Color (Farbe): Mehrere Farbtöne in einem Fleck – von braun über schwarz bis rötlich oder bläulich.
• D – Durchmesser: Auffällig ab etwa 5–6 mm (allein aber kein verlässliches Kriterium).
• E – Erhabenheit/Entwicklung: Das Mal ragt heraus oder verändert sich über die Zeit.

Das Ugly-Duckling-Zeichen

Ergänzend hilft das „hässliche Entlein”: Tanzt ein Mal aus der Reihe und sieht anders aus als all deine übrigen Muttermale, lohnt ein genauerer Blick. Aber Achtung: Die ABCDE-Regel ist eine vereinfachte Daumenregel, kein Diagnoseinstrument – und sie funktioniert bei dunkleren Hauttönen nur eingeschränkt.

Wie der AI Melanom Check technisch funktioniert

Vision Transformer – ein Bild als 16×16-Patches

Hinter dem AI Melanom Check steckt ein Vision Transformer (ViT). Statt ein Bild wie klassische neuronale Netze pixelweise zu verarbeiten, zerlegt der ViT es in kleine 16×16-Pixel-Kacheln und behandelt diese wie Wörter in einem Satz. Der Ansatz geht auf die wegweisende Arbeit „An Image is Worth 16x16 Words” (2020) zurück. Jede Kachel wird in einen Vektor übersetzt, mit einer Positionsinformation versehen und dann durch den Transformer geschickt, der lernt, welche Bildregionen für eine Klasse charakteristisch sind. Medium

Lokale Inferenz mit ONNX Runtime Web (WebGPU + WASM)

Das Besondere: Das Modell läuft nicht auf einem Server, sondern direkt in deinem Browser – über ONNX Runtime Web. Primär nutzt es WebGPU, um die Grafikeinheit deines Geräts für die Berechnung anzuzapfen. Ist WebGPU nicht verfügbar (ältere Geräte/Browser), greift automatisch ein WebAssembly-Fallback (WASM) auf der CPU. Du brauchst nichts zu installieren; die Seite erkennt selbst, welcher Weg möglich ist. Microsoft Open Source

Damit ein solches Modell überhaupt browsertauglich wird, habe ich es per INT8-Quantisierung verkleinert. Dabei werden die Zahlenwerte des Modells von 32-Bit-Gleitkomma auf 8-Bit-Ganzzahlen reduziert – das verkleinert das Modell um etwa das Vierfache bei nur geringem Genauigkeitsverlust. Konkret schrumpfte mein Modell von 343 MB auf 83 MB. Erst das macht den Download im Browser zumutbar.

Datenschutz by Design – das Bild verlässt dein Gerät nie

Hier liegt der eigentliche Unterschied zu vielen kommerziellen Apps: Bei dieser On-Device-Inferenz wird nur das Modell einmalig geladen. Dein Foto wird danach ausschließlich lokal verarbeitet und verlässt dein Gerät zu keinem Zeitpunkt. Es gibt keinen Upload, keinen Cloud-Server, keine Speicherung deines Bildes bei mir oder einem Drittanbieter. Für ein hochsensibles Gesundheitsthema ist das aus meiner Sicht keine nette Zusatzfunktion, sondern die Grundvoraussetzung – Datenschutz by Design.

Womit die KI trainiert wurde: der HAM10000-Datensatz

Modelle dieser Art werden typischerweise auf dem HAM10000-Datensatz trainiert (Tschandl, Rosendahl & Kittler, 2018). Er umfasst 10.015 dermatoskopische Aufnahmen aus Wien und Queensland, gesammelt über rund 20 Jahre; bei über der Hälfte wurde die Diagnose histopathologisch gesichert. Die Bilder verteilen sich auf sieben Klassen – darunter melanozytäre Nävi, Melanome und Basalzellkarzinome.

Dieser Datensatz ist großartig für die Forschung, hat aber eine entscheidende Schieflage: Die Klasse der harmlosen melanozytären Nävi macht rund 67 % aller Bilder aus, während seltene Klassen zusammen kaum 3 % erreichen. Diese Ungleichverteilung prägt – wie wir gleich sehen – das Verhalten jedes darauf trainierten Modells.

Die ehrlichen Grenzen – „Grün heißt nicht gesund”

Nur sieben Klassen, kein „gesund”

Das Modell kennt genau sieben Kategorien – und „gesunde Haut” ist keine davon. Es findet deshalb immer einen Treffer, selbst wenn du ein Foto deines Schreibtischs hochlädst. Die KI fragt nicht „Ist das Hautkrebs?”, sondern „Welcher meiner sieben Klassen ähnelt dieses Bild am meisten?”. Das ist ein fundamentaler Unterschied.

Prozentwerte sind keine medizinischen Wahrscheinlichkeiten

Die ausgegebenen Prozente sind technische Ähnlichkeitswerte (Softmax-Ausgaben), keine medizinischen Wahrscheinlichkeiten. Ein hoher Wert für eine gutartige Klasse bedeutet nicht, dass du gesund bist. Deshalb mein Leitsatz: „Grün heißt nicht gesund.” Eine beruhigende Farbe in einer Demo darf niemals dazu führen, dass du einen verdächtigen Fleck nicht abklären lässt.

Das Bias-Problem bei dunkleren Hauttönen

Der vielleicht wichtigste Punkt: KI in der Dermatologie hat ein Bias-Problem. Die Studie von Daneshjou et al. (2022, Science Advances) ist hier eindeutig. Auf ihrem diversen DDI-Datensatz (656 Bilder, 570 Patient:innen) fiel die Leistung von drei etablierten KI-Modellen deutlich ab – die ROC-AUC sank um 27 bis 36 % gegenüber den ursprünglichen Tests. Vor allem schnitten alle Modelle bei dunkleren Hauttönen (Fitzpatrick V–VI) schlechter ab als bei heller Haut: Beim HAM10000-basierten Modell sank die AUC von 0,72 (helle Haut) auf 0,57 (dunkle Haut); ein anderes Modell landete bei dunkler Haut auf reinem Zufallsniveau.

Der Grund liegt auf der Hand: Da Datensätze wie HAM10000 helle Haut stark überrepräsentieren, lernen die Modelle vor allem die für helle Haut typischen Muster. Die Studienautor:innen zeigten aber auch einen Ausweg – Fine-Tuning auf diversen Daten schloss die Lücke. Für dich als Nutzer heißt das konkret: Auf dunklerer Haut sind die Ergebnisse einer solchen Demo mit besonderer Vorsicht zu genießen. arXiv

Was Hautkrebs-Apps laut Stiftung Warentest leisten – und was nicht

Wie gut sind kommerzielle Apps eigentlich? Die Stiftung Warentest prüfte 17 Hautscreening-Apps (Heft 1/2023). Das Ergebnis war ernüchternd: Keine App war fehlerfrei, nur zwei erreichten das Gesamturteil „gut”, und empfohlen wurde nur eine – das arztbasierte AppDoc. Besonders alarmierend: „Etwa jeder siebte Hautkrebs-Fall wurde nicht erkannt”, was die Tester selbst als „erschreckend” bezeichneten. Das Fazit der Stiftung: Solche Apps können eine erste Einschätzung liefern, den Arztbesuch aber nicht ersetzen. T-OnlineNWZonline

Diese Befunde sind der Grund, warum ich meine Demo bewusst nicht als „Hautkrebs-Erkenner” vermarkte, sondern als technische Demonstration mit klarer Aufklärung.

Datenschutz, Open Source & digitale Souveränität

Ein zweites Anliegen treibt mich an: zu zeigen, dass man solche Systeme bauen kann, ohne auf große Cloud-Anbieter angewiesen zu sein. Die offene KI-Community macht das möglich. Hugging Face – oft als „GitHub der KI” bezeichnet – ist 2025 auf 13 Millionen Nutzer, über 2 Millionen öffentliche Modelle und über 500.000 Datensätze gewachsen. Über sogenannte Modellkarten werden Trainingsdaten, Lizenz und bekannte Grenzen transparent dokumentiert. Hugging Face

Diese Offenheit ist mehr als Bequemlichkeit. Sie ist die Grundlage für digitale Souveränität: Wer das Modell, die Trainingsdaten und die Laufzeitumgebung kennt und kontrolliert, ist nicht von der Blackbox eines einzelnen Konzerns abhängig. Und wenn die Inferenz lokal im Browser läuft, bleibt auch die Datenhoheit beim Nutzer. Genau diese Kombination – Open Source plus lokale Verarbeitung – ist der eigentliche Punkt, den dieses Projekt demonstrieren will.

Regulierung: der EU AI Act und warum dies kein Medizinprodukt ist

Sobald eine Software tatsächlich Diagnosen stellt, wird sie zum Medizinprodukt und fällt unter strenge Regeln unter dem EU AI Act als Hochrisiko-Anwendung. Der genaue Zeitplan ist allerdings derzeit in Abstimmung: Über den sogenannten „Digital Omnibus on AI” wurde 2026 eine politische Einigung erzielt, die die Hochrisiko-Pflichten für in Produkte eingebettete KI (inkl. Medizinprodukte) voraussichtlich bis 2. August 2028 verschiebt. Die formale Annahme steht aber noch aus es handelt sich also noch nicht um endgültig geltendes Recht. Global Policy Watch

Für den AI Melanom Check ist die Einordnung trotzdem eindeutig: Er ist kein Medizinprodukt und stellt keine Diagnose. Er ist eine Demonstration von Technik, Datenschutz und verantwortungsvoller Kommunikation. Nicht mehr, und das ganz bewusst.

FAQ

Kann eine App Hautkrebs erkennen? Nicht zuverlässig. Laut Stiftung Warentest übersehen Hautscreening-Apps etwa jeden siebten Hautkrebsfall. Sie können sensibilisieren, aber keine Diagnose stellen.

Ersetzt die KI-Hautanalyse den Hautarzt? Nein. Sie ersetzt weder ärztliche Untersuchung noch das gesetzliche Screening. Bei jeder Auffälligkeit gehört die Stelle in fachärztliche Hände.

Werden meine Fotos hochgeladen? Beim AI Melanom Check nicht. Die Analyse läuft vollständig lokal im Browser; nur das Modell wird einmalig geladen. Dein Bild verlässt dein Gerät nie.

Was bedeuten die Prozentwerte? Sie sind technische Ähnlichkeitswerte zwischen deinem Bild und den sieben gelernten Klassen keine medizinischen Wahrscheinlichkeiten. „Grün heißt nicht gesund.”

Ist das Tool kostenlos? Ja, es ist eine offene Demo. Genau deshalb verzichtet es bewusst auf Versprechen, die es nicht halten kann.

Ab wann zahlt die Krankenkasse das Hautkrebs-Screening? Gesetzlich Versicherte haben ab 35 Jahren alle zwei Jahre Anspruch; einige Kassen bieten erweiterte Leistungen auch für Jüngere.

Fazit

Der AI Melanom Check ist ein Experiment mit Haltung. Er zeigt, dass moderne KI-Bildanalyse lokal, datenschutzfreundlich und transparent funktionieren kann. Ganz ohne Cloud und ohne die Daten der Nutzer zu verwerten. Gleichzeitig ist er ein Plädoyer für Ehrlichkeit: Eine KI, die nur sieben Klassen kennt, „gesund” nicht erkennt, immer einen Treffer ausgibt und bei dunkleren Hauttönen schwächelt, darf man nicht als Diagnose verkaufen. Nutze sie als Anstoß, deine Haut ernst zu nehmen und gehe bei jedem Zweifel zum Hautarzt. Technik kann Aufmerksamkeit wecken. Verantwortung dafür, was wir daraus machen, tragen wir Menschen.