KI-Bildbasierte Risikoscores ermöglichen eine dynamische Beurteilung von Brustkrebs.

Neue Entwicklungen bei der Risikobewertung für Brustkrebs

Forscher haben unter Verwendung von Künstlicher Intelligenz (KI) herausgefunden, dass risikobasierte Bewertungen für Brustkrebs, die aus Screening-Mammographien abgeleitet werden, sich im Laufe der Zeit verändern und zwischen Frauen, die Krebs entwickeln, und denen, die es nicht tun, unterschiedlich sind. Dies eröffnet die Möglichkeit für eine dynamische Risikobewertung bei Brustkrebs. Die neuen Forschungsergebnisse wurden heute in Radiology, einer Fachzeitschrift der Radiological Society of North America (RSNA), veröffentlicht.

Was ist eine Risikobewertung für Brustkrebs?

Eine Risikobewertung für Brustkrebs schätzt die Wahrscheinlichkeit, dass eine Frau in den nächsten Jahren an Brustkrebs erkrankt. Diese Bewertungen helfen Ärzten, das Risiko zu erkennen und geeignete Screening-Strategien zu empfehlen.

Moderne Lernmodelle können jetzt Risikobewertungen für Brustkrebs direkt aus Screening-Mammographien erstellen, indem sie das gesamte Bild verwenden, anstatt sich nur auf bestimmte Merkmale wie die Dichte des Gewebes zu stützen. Diese Modelle haben eine bessere Leistung gezeigt als traditionelle Risikomodelle und die alleinige Berücksichtigung der Brustdichte bei der Schätzung des fünfjährigen Brustkrebsrisikos einer Frau.

Die meisten Frauen, die mit Brustkrebs diagnostiziert werden, haben keine bekannten genetischen Mutationen oder berichtete familiäre Vorbelastungen. Traditionelle Risikomodelle sind in bevölkerungsbasierten Screening-Szenarien begrenzt.

„Bisher wurden Modelle des maschinellen Lernens hauptsächlich verwendet, um Risikobewertungen für Krebs zu einem statischen Zeitpunkt zu ermitteln. In dieser Studie haben wir die langfristigen Änderungen der bildbasierten Risikobewertung für Brustkrebs untersucht, basierend auf wiederholten Mammographien aus einer großen Screening-Kohorte.“

Constance D. Lehman, M.D., Ph.D., leitende Forscherin, Professorin für Radiologie an der Harvard Medical School und CEO von Clairity, Inc.

Die Studie umfasste Frauen, die zwischen 2009 und 2019 an sechs verschiedenen Orten Screening-Mammographien durchführen ließen. Alle Untersuchungen waren standardmäßige 2D doppelseitige digitale Mammographien, die mit oder ohne digitale Brusttomosynthese durchgeführt wurden.

Studienaufbau

Insgesamt wurden 239.703 aufeinanderfolgende 2D-Mammographien von 89.882 Patientinnen in die Studienkohorte aufgenommen. Nach Ausschluss bestimmter Fälle umfasste die endgültige Kohorte 54.014 Frauen (mittleres Alter 61) mit 817 Brustkrebspatientinnen und 53.197 krebsfreien Kontrollen. Jede Frau trug eine Indexuntersuchung bei (definiert als die letzte Screening-Mammographie im Jahr vor der Brustkrebsdifferenzierung oder die letzte Mammographie im fünfjährigen Studienzeitraum für die krebsfreien Kontrollen) und bis zu sechs vorhergehenden jährlichen Mammographien, insgesamt 158.807 Mammographien. Die mittlere Zahl der Screening-Mammographien pro Frau betrug drei.

Ein validiertes und quelloffenes Modell für bildbasiertes maschinelles Lernen wurde auf alle Mammographien angewandt, um kontinuierliche fünfjährige Brustkrebsrisikobewertungen zu generieren. Es wurden keine demografischen, klinischen oder historischen Bilddaten verwendet.

Insgesamt wurden 817 Frauen (1%) innerhalb von 365 Tagen nach ihrer Indexuntersuchung mit Brustkrebs diagnostiziert, darunter 451 (55%) mit invasivem Krebs, 118 (14%) mit ductalem Karzinom in situ (DCIS) und 248 (30%) mit nicht spezifiziertem Krebs. Davon wurden 682 (83%) als Screen-detected cancers und 135 (17%) als Intervallkrebsfälle eingestuft. Die verbleibenden 53.197 Frauen (98%) erhielten während der Nachuntersuchung keine Brustkrebsdiagnose und wurden als krebsfreie Kontrollen kategorisiert.

Die Forscher verglichen die Risikobewertungen der 817 Frauen, bei denen invasiver Krebs oder DCIS diagnostiziert wurde, mit den Bewertungen der 53.197 krebsfreien Kontrollpersonen.

Wichtige Ergebnisse

„Wir beobachteten klinisch relevante Unterschiede in den Risikoprofilen zwischen Frauen, die Krebs entwickelten, und denen, die keinen entwickelten“, sagte Dr. Lehman. „Der Anstieg der Bewertungen bei Krebspatientinnen war bereits sechs Jahre vor der Diagnose erkennbar und wurde im Laufe der Zeit deutlicher.“

Unter den Krebspatientinnen nahmen die KI-Risikobewertungen über die sechs Jahre vor der Diagnose kontinuierlich zu, wobei die mittlere Bewertung von 2.1 in den ersten fünf bis sechs Jahren des Studienzeitraums auf 6.6 bei der Indexuntersuchung anstieg. Krebstfreie Frauen zeigten über alle Zeitpunkte hinweg stabile Werte, mit Medianen zwischen 1.8 und 2.2 während des Studienzeitraums.

„Diese Ergebnisse zeigen, dass Signale, die mit dem bloßem Auge nicht erkennbar sind, allein im Bild zukünftige Risiken vorhersagen können“, sagte Dr. Lehman. „Das ist aufregend, denn 85% der Frauen, bei denen Brustkrebs diagnostiziert wird, haben keine signifikante familiäre Vorgeschichte von Brustkrebs oder bekannte genetische Mutationen.“

Dr. Lehman stellte fest, dass die meisten Brustkrebsfälle sporadisch sind, was bedeutet, dass sie nicht durch familiäre Vererbung oder Genetik bestimmt werden.

„KI-abgeleitete Risikobewertungen können Patienten identifizieren, die ansonsten anfällig für die Krankheit sind. Unsere Ergebnisse zeigen, dass bildbasierte KI-Risikobewertungen sich im Laufe der Zeit verändern und dass Veränderungen dieser Bewertungen weitere Informationen über das zukünftige Brustkrebsrisiko liefern können“, sagte sie.

Der Verlauf der Risikobewertung unter den Krebspatientinnen nahm in den Jahren unmittelbar vor der Diagnose am steilsten zu. Ein allmählicher Anstieg der Werte in den frühen Jahren des Studienzeitraums wurde zwei Jahre vor der Indexuntersuchung von einem viel steileren Anstieg verfolgt. Im Gegensatz dazu blieben die Werte bei den krebsfreien Frauen während des gesamten Studienzeitraums praktisch konstant.

„Diese Trends blieben robust über Untergruppen, die nach Alter und Brustdichte definiert wurden, was die Übertragbarkeit unserer Ergebnisse weiter unterstützt“, sagte Dr. Lehman. „Dies ist besonders relevant angesichts der anhaltenden Unterschiede in der Screening-Leistung in verschiedenen Patientengruppen. Ein dynamischer biomarkerbasierter Ansatz, der auf den Bilddaten basiert, könnte einige dieser Unterschiede verringern, indem er risikobasierte Personalisierungen ermöglicht, die nicht auf selbstberichteten oder inkonsistenten klinischen Daten beruhen.“

Dr. Lehman sagte, dass die Ergebnisse der Studie das Potenzial bildbasierter Risikomodelle als dynamische Bildbiomarker unterstützen, um personalisierte Strategien zur Risikominderung zu leiten.

„Mit der Kraft von KI, Computer Vision und der Fähigkeit, prädiktive Daten zu extrahieren, können wir die Möglichkeiten der Bildgebung auf die Risikobewertung und die Prävention von Krankheiten anwenden“, sagte sie. „Ein dynamischer Risikowert eröffnet ein ganz neues Feld effektiverer präventiver Therapien gegen Brustkrebs, ähnlich wie wir bei der Behandlung von Patienten mit hohem Cholesterin und Bluthochdruck vorgehen.“

Die KI-basierten, bildbasierten Risikobewertungen sind in den Richtlinien des National Comprehensive Cancer Network (NCCN) für 2026 enthalten. Diese Richtlinien empfehlen, dass Frauen ab einem Alter von 35 Jahren mit einem erhöhten fünffachen Risikoscore (über 1,7%) zusätzlich zu jährlichen Mammographien eine Brust-MRT in Betracht ziehen sollten.

Ein FDA-zugelassenes, KI-basiertes Modell zur fünfjährigen Risikobewertung ist derzeit in bestimmten Gesundheitseinrichtungen in den USA klinisch im Einsatz.

Quellen: