KI-Risikomodell: 3D-Mammografien erkennen Brustkrebsgefahr bis zu fünf Jahre früher

LONDON (IT BOLTWISE) – Ein KI-Modell soll anhand mehrerer Jahre 3D-Mammografien das Brustkrebsrisiko innerhalb von fünf Jahren abschätzen. Die Technik verfolgt Veränderungen im Brustgewebe über die Zeit statt nur den neuesten Scan auszuwerten. Entwickelt wurde das Modell mit Daten von über 161.000 Frauen und mehr als 313.000 Mammogrammen. Laut den Forschenden bleibt die Lösung vorerst ein Forschungswerkzeug und ist für die klinische Nutzung nicht FDA-freigegeben.

🧠 KI & Robotik auf Google News abonnieren

Die entscheidende Idee hinter dem neuen KI-Risikomodell ist weniger „mehr Bilder“, sondern „mehr Zeit“: Statt eine einzelne Mammografie als Momentaufnahme zu betrachten, analysiert das System 3D-Aufnahmen über mehrere Jahre. Dadurch kann es Gewebemuster identifizieren, die sich schrittweise verändern und in einem einzelnen Scan verborgen bleiben. Für die Praxis bedeutet das vor allem eine bessere Risikostratifizierung, denn gerade bei dichtem Brustgewebe ist die visuelle Interpretation klassischer Befunde oft anspruchsvoller.

Die Studie wurde im American Journal of Roentgenology veröffentlicht und untersuchte einen KI-Ansatz, der das Auftreten von Brustkrebs innerhalb von fünf Jahren schätzen soll. Das Modell verarbeitet dafür Sequenzen früherer 3D-Mammografien und ordnet die beobachteten Veränderungen einem individuellen Risiko zu. Entwickelt wurde der Datensatz laut Beschreibung aus mehr als 313.000 Mammogrammen von über 161.000 Frauen. Dieser Umfang ist wichtig, weil KI-Modelle in der Bildgebung nicht nur „auffällige“ Fälle lernen müssen, sondern vor allem robuste Muster für subtile Verläufe brauchen.

Technisch betrachtet liegt der Vorteil in der longitudinalen Perspektive: Ein einzelner Scan zeigt, ob heute bereits etwas sichtbar ist. Das KI-System setzt dagegen darauf, dass sich bestimmte Strukturen und Texturen im Brustgewebe über Monate und Jahre systematisch verschieben. Genau diese Veränderungen sollen das Modell von reinen Landmarken unterscheiden und so Hinweise liefern, die mit traditionellen Risikofaktoren allein schwerer zu erfassen sind. In der Kommunikation mit Betroffenen und Behandlern spielt das eine Rolle, weil Risikoabschätzungen so eher zu einer gezielten Gesprächs- und Entscheidungsgrundlage werden.

In den begleitenden Einschätzungen aus der klinischen Bildgebung wird die Ergänzung zu klassischen Risikobewertungen hervorgehoben. Herkömmliche Modelle beziehen häufig Faktoren wie Familiengeschichte und genetische Mutationen ein, während die KI zusätzlich „Hinweise im Gewebe“ aus der Bildinformation herausarbeitet. Die Studie und die Einordnung zielen damit auf ein praktisches Problem: Ein Teil der Frauen nimmt Screenings nicht regelmäßig wahr, während gerade in dieser Phase frühe Signale einen Unterschied machen können. Zudem wird betont, dass der Algorithmus ein höheres Risiko nicht als Diagnose versteht, sondern als Anlass für weitere Gespräche über das nächste Vorgehen.

Wichtig ist die Abgrenzung: Ein KI-Risikoscore ersetzt keine Brustkrebsdiagnose und kann auch nicht mit Sicherheit vorhersagen, ob eine Person tatsächlich erkrankt. Genau deshalb ist die Einbettung in den klinischen Prozess zentral. Laut der erläuternden Fachstimme kann ein höherer Score dazu führen, dass Ärztinnen und Ärzte zusätzliche Screening-Optionen wie eine MRT (je nach individueller Situation) diskutieren. Umgekehrt bedeutet ein niedriger Score nicht, dass das Risiko verschwindet; vielmehr soll er helfen, die Intensität der Überwachung anzugehen, ohne regelmäßige Mammografieangebote zu verdrängen.

Auch regulatorisch und operativ gibt es klare Grenzen. Die begleitende Einordnung stellt fest, dass das NYU-Modell weiterhin ein Forschungswerkzeug ist und nicht für die klinische Anwendung freigegeben wurde. Außerdem kommen in der Studie Mammografiedaten aus spezifischen Einrichtungen und mit Geräten eines Herstellers zusammen. Für den Rollout heißt das: Modelle, die auf bestimmten Bildgebungsprotokollen, Rekonstruktionsalgorithmen und Gerätecharakteristika trainiert wurden, müssen in der Breite validiert werden. Die Forschenden planen deshalb Tests mit Daten anderer medizinischer Zentren und mit unterschiedlichen 3D-Mammografie-Systemen, um die Übertragbarkeit zu prüfen.

Für Entwicklerinnen und Entwickler in der medizinischen KI-Industrie ist das Muster dabei typisch: Der Weg von der Forschung in Richtung produktiver Nutzung führt über drei Hürden – Datenvielfalt, robuste Kalibrierung und klinische Integration. Besonders spannend ist, dass das Modell laut Beschreibung auch bereits vorhandene Mammografien aus der Vorgeschichte nutzen kann. Dadurch könnten zusätzliche Untersuchungen potenziell entfallen, was nicht nur Logistik reduziert, sondern auch vermeidet, dass pro Entscheidungsfall erneut neue Exposition entsteht. Bis dahin bleibt der Mehrwert vor allem konzeptionell: KI macht aus früheren Scans eine verwertbare Risiko-Historie und eröffnet damit Spielräume für personalisierte Screening-Strategien, die jenseits der starren „ein Scan pro Zeitraum“-Logik funktionieren sollen.

💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!

🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!

🎉 Amazon Haul-Store für absolute Schnäppchenjäger!