Pixel statt Pony: Wie KI den Haarausfall vermisst

LONDON (IT BOLTWISE) – Jahrzehntelang wurde Haarausfall nach Augenmaß beurteilt: im Badezimmerspiegel. Inzwischen übernehmen neuronale Netze diesen Job. Sie zählen Follikel, unterscheiden Haartypen im Mikrometerbereich und ordnen das Ergebnis in Klassifikationen ein, bei denen sich selbst Fachärzte nicht immer einig sind. Das Urteil der Maschine fällt selten schmeichelhafter aus als das des Friseurs. Dafür ist es deutlich reproduzierbarer.

Das Problem mit dem Augenmaß

Die androgenetische Alopezie ist die häufigste Form des Haarausfalls. Rund die Hälfte aller Männer ist bis zum 50. Lebensjahr sichtbar betroffen. Klinisch wird sie über Skalen wie Norwood-Hamilton oder die modernere BASP-Klassifikation eingeordnet. Beide beruhen auf Bildern, die ein Mensch betrachtet und bewertet. Zwei Dermatologen, zwei Befunde. Für die Verlaufskontrolle ist das ein Problem. Wer wissen will, ob eine Therapie wirkt, braucht Messwerte, keine Eindrücke.

Das Hormon im Datensatz

Der Hauptverdächtige ist seit Langem bekannt: Dihydrotestosteron, kurz DHT. Das Enzym 5-Alpha-Reduktase wandelt Testosteron in dieses potentere Androgen um. Genetisch empfindliche Follikel an Stirn und Scheitel reagieren darauf mit Schrumpfung. Medikamente, die als DHT-Blocker wirken, hemmen dieses Enzym und können den Haarausfall bei vielen Männern stabilisieren. Das gelingt allerdings nur, solange sie eingenommen werden. Zudem können Nebenwirkungen auftreten, weshalb die Einnahme ärztlich begleitet werden sollte.

Hier liefert KI einen unterschätzten Nutzen. Ob eine Therapie anschlägt, zeigt sich erst nach Monaten, und das subjektive „fühlt sich dichter an“ ist ein unzuverlässiger Sensor. Automatisierte Haarzählungen an identischen Kopfhautstellen machen aus Bauchgefühl eine Zeitreihe. Für klinische Studien ist das Gold wert. Für Patientinnen und Patienten ist es zumindest ein Grund weniger, jeden Morgen das Kopfkissen zu untersuchen.

Objekterkennung auf der Kopfhaut

Ein Forschungsteam um Gao hat 2022 in der Fachzeitschrift Acta Dermato-Venereologica ein Deep-Learning-Framework vorgestellt. Es wurde mit 2.910 trichoskopischen Aufnahmen trainiert, also stark vergrößerten Bildern der Kopfhaut. Die Architektur arbeitet zweistufig. Ein erstes Netz namens D-Net erkennt die Follikelöffnungen und setzt Bounding Boxes, ganz ähnlich wie ein Fahrassistent Fußgänger markiert. Ein zweites Netz, das R-Net, zählt anschließend die Haare pro Öffnung. Außerdem bestimmt es den Anteil von Vellushaaren, intermediären Haaren und Terminalhaaren.

Das Markenzeichen der androgenetischen Alopezie ist die Miniaturisierung: Kräftige Terminalhaare werden über mehrere Wachstumszyklen hinweg zu dünnen, flaumartigen Vellushaaren. Dieses Verhältnis verschiebt sich lange bevor im Spiegel eine Lücke auffällt. Ein Mensch sieht „etwas dünner“, das Modell sieht eine Verteilungskurve.

Früher erkannt als vom Friseur

Eine koreanische Studie aus dem Jahr 2025 geht noch einen Schritt weiter in Richtung Früherkennung. Das Modell sollte allein anhand von Kopfhautbildern unterscheiden, ob kein Haarausfall vorliegt (BASP 0) oder bereits ein frühes Stadium (BASP 1 bis 3). Die Autoren berichten von konstant hoher Leistung in der internen Kreuzvalidierung und robuster Generalisierung im externen Test. Sie weisen aber selbst darauf hin, dass der Datensatz begrenzt war. Eine prospektive Studie mit geschätzt 400 Teilnehmenden ist bereits registriert.

Planung per Pixel

Besonders interessant wird die Bildanalyse dort, wo aus Diagnostik Chirurgie wird. Bei einer Haartransplantation werden Follikel aus dem Hinterkopf entnommen und in die kahlen Areale versetzt. Der Spenderbereich ist dabei eine endliche Ressource, das man nur einmal ausgeben kann. Wie viele Grafts sich entnehmen lassen, ohne dass der Hinterkopf selbst ausgedünnt wirkt, hängt von der Dichte, der Haardicke und der Zahl der Haare pro Follikeleinheit ab.

Kaum ein Ort erzeugt dafür mehr Bildmaterial als Istanbul. Die Haartransplantation in der Türkei ist zu einem regelrechten Industriezweig geworden. Typisch sind standardisierte Abläufe, hohe Fallzahlen und eine Fotodokumentation, die vom Erstgespräch bis zur Zwölf-Monats-Kontrolle reicht. Einige Kliniken überlassen inzwischen auch die Entnahme der Maschine. Die Dr. Serkan Aygin Clinic in Istanbul setzt nach eigenen Angaben seit über einem Jahrzehnt Robotertechnik ein, darunter das ARTAS-System des Herstellers Venus Concept. Der Roboter tastet die Kopfhaut mit hochauflösenden Kameras ab und identifiziert per KI einzelne Follikeleinheiten. Die Auswahl folgt dabei bewusst einem Zufallsmuster, damit der Spenderbereich nicht an einzelnen Stellen ausdünnt.

Was die Maschine nicht weiß

So beeindruckend die Modelle sind, ihre Grenzen sind klar umrissen. Viele Trainingsdatensätze stammen aus ostasiatischen Kohorten mit dunklem Haar auf heller Kopfhaut. Dieses kontrastreiche Szenario lieben Algorithmen. Blondes oder graues Haar, dunkle Hauttypen und lockige Strukturen sind deutlich schwerere Aufgaben. Hinzu kommt: Ein Modell, das Haare zählt, erkennt nicht automatisch, warum sie fehlen. Schilddrüsenstörungen, Eisenmangel oder kreisrunder Haarausfall erfordern eine ärztliche Abklärung.

Auch die Ökonomie bleibt eine menschliche Disziplin. Wer Haartransplantation Kosten in der Türkei sucht, stößt auf Preise, die unter westeuropäischem Niveau liegen. Die Erklärung liefert klassische Volkswirtschaftslehre: Lohnniveau, Spezialisierung und Skaleneffekte.

Die ehrlichste Kamera der Welt

Die KI-gestützte Trichoskopie ist ein Paradebeispiel dafür, wie Computer Vision leise in medizinische Nischen vordringt. Hier geht es nicht um Chatbot-Hype oder Billionen Parameter, sondern um ein sauber gelöstes Zählproblem mit handfestem Nutzen. Es ermöglicht objektivere Diagnosen, messbare Therapieverläufe und eine bessere Planung vor chirurgischen Eingriffen. Den Blick in den Spiegel ersetzt die Technik nicht. Aber sie sorgt dafür, dass dieser Blick künftig mit Daten unterfüttert ist. Ob das tröstlich ist, hängt vermutlich vom Ergebnis ab.