Brustkrebs und künstliche Intelligenz: von der Risikovorhersage zur Therapiesimulation mit digitalen Zwillingen
In diesem Artikel
Die KI-Revolution bei Brustkrebs: von der Risikovorhersage zur Therapiesimulation mit einem „digitalen Zwilling“
Der Weg von der Statistik zur Vorhersage
Das grundlegende Paradigma der modernen Onkologie besteht darin, sich von einer einheitlichen Behandlung für alle zu lösen und die Therapie an die individuellen biologischen Eigenschaften des Menschen und seines Tumors anzupassen. Bei Brustkrebs ist diese Heterogenität besonders ausgeprägt: Über die Hauptsubtypen luminal, HER2-positiv und triple-negativ (TNBC) hinaus besitzt jeder Tumor eine eigene genomische, transkriptomische und mikroökologische Signatur. Die klinische Betreuung umfasst miteinander verknüpfte, von vielen Variablen abhängige Entscheidungen zur Risikobewertung, Früherkennungsstrategie, neoadjuvanten oder adjuvanten Therapie, zum Operationszeitpunkt und zur Rückfallkontrolle.
Jahrelang verließen wir uns bei dieser Komplexität auf die begrenzte Leistungsfähigkeit des menschlichen Denkens und einfache statistische Modelle. Biologische Systeme sind jedoch nicht linear: Wechselwirkungen zwischen Genen, Proteinen und der Gewebemikroumgebung sind chaotisch und mehrdimensional. Künstliche Intelligenz (KI), insbesondere maschinelles Lernen (ML) und Deep Learning (DL), ist deshalb zu einem unverzichtbaren Werkzeug geworden, um diese Komplexität zu bewältigen.
Die Geschichte der Brustkrebsbetreuung lässt sich in drei Hauptphasen gliedern:
- 1. Statistische Ära (1989-2000): Die Zeit bevölkerungsbasierter statistischer Modelle wie des Gail-Modells.
- 2. Genomische Ära (2000-2015): Die Zeit, in der genetische Risikofaktoren in Modelle wie Tyrer-Cuzick aufgenommen wurden.
- 3. Ära der künstlichen Intelligenz (2016 bis heute): Die Zeit, in der Deep-Learning-Algorithmen Pixelmuster, die das menschliche Auge nicht erkennt, und biologische Daten verarbeiten, um die Zukunft vorherzusagen.
Dieser Artikel untersucht eingehend, wie KI die Betreuung bei Brustkrebs verändert: vom Mirai-Algorithmus bis zur virtuellen Operationsplanung, anhand aktueller Technologien, evidenzbasierter Daten und regulatorischer Rahmenbedingungen von FDA und ESMO.
1. Revolution der Risikovorhersage: von Fragebögen zu Pixeln
Herkömmliche Risikomodelle wie Gail und Tyrer-Cuzick beruhen auf statischen, per Fragebogen erhobenen Angaben wie Alter, Familiengeschichte und Zahl der Geburten. Ihre größte Schwäche ist, dass sie biologische Hinweise im Brustgewebe selbst, etwa Gewebedichte oder Mikroverkalkungen, nicht vollständig nutzen. KI verwandelt die Mammografie von einer Momentaufnahme bestehender Tumoren in eine „Kristallkugel“ für die Zukunft.
Mirai und herkömmliche Modelle: Leistungsvergleich (AUC)
Den im Journal of Clinical Oncology und in Radiology veröffentlichten Validierungsstudien zufolge ergibt sich folgendes Bild:
Von den Patienten, die später Krebs entwickelten, wurden 31 % korrekt als Hochrisikopatienten erkannt.
Von den Patienten, die später Krebs entwickelten, wurden nur 18 % erkannt.
Das einfachste statistische Modell reicht zur Vorhersage heutiger Risiken nicht aus.
Der Grund für den Unterschied: Mirai kann für das menschliche Auge unsichtbare Gewebemikrostrukturen, Asymmetrien und feinste Veränderungen zwischen früheren und aktuellen Mammografien eines Patienten (zeitliche Daten) analysieren.
Technologie mit FDA-Status „Breakthrough Device“: Prognosia Breast
Das an der Washington University entwickelte Prognosia Breasterhielt von der FDA den Status „Breakthrough Device“. Die Technologie misst nicht nur das Ausmaß der Brustdichte, sondern analysiert auch die Gewebeverteilung und mikrostrukturelle Unregelmäßigkeiten mittels Texturanalyse.
Diese Analyse kann bereits vor Entstehung eines Tumors eine für das Tumorwachstum günstige Mikroumgebung im Brustgewebe erkennen. Die AUC von Prognosia Breast liegt zwischen 0.67 und 0.74. Die Validierung anhand großer Datensätze mit Frauen unterschiedlicher ethnischer Herkunft, darunter schwarze und asiatische Frauen, verringert zudem das Risiko von Datenverzerrungen (Bias) in der KI.
Übergang zur personalisierten Früherkennung: Die einheitliche Untersuchung für alle wird abgelöst
KI-basierte Risikobewertungen ermöglichen einen gezielteren Ressourceneinsatz. Statt einer jährlichen Standardmammografie für jede Frau über 40 können dynamische, risikobasierte Protokolle eingesetzt werden. Daten der Universität Cambridge und der RSNA 2025 zeigen, dass KI durch die Analyse verborgener Muster in unauffällig befundeten Mammografien das Intervallkarzinomrisiko vorhersagen kann.
- Hochrisikopatientin (hoher KI-Wert): Die Untersuchungsabstände werden verkürzt, etwa auf alle 6 Monate. Zusätzlich zur Mammografie werden eine Brust-MRT oder eine Kontrastmittelmammografie durchgeführt. Ziel ist die Erkennung von Intervallkarzinomen.
- Niedrigrisikopatientin (sehr niedriger KI-Wert): Der Untersuchungsabstand kann sicher verlängert werden, etwa auf alle 2 Jahre. Dadurch sinken unnötige Strahlenbelastung, Ängste und die finanzielle Belastung des Gesundheitssystems.
2. Die Zukunft der Therapie: digitale Zwillinge und virtuelle Versuche
Stellen Sie sich eine Zukunft vor, in der die beste Arznei gewählt werden kann, ohne den Patienten zum Versuchsfeld zu machen. KI ermöglicht dies durch Therapiesimulationen an einem digitalen Zwilling, der anhand der biologischen Daten des Patienten erstellt wird.
FarrSight-Twin: von der Astrophysik zur Onkologie
Diese Plattform überträgt komplexe astrophysikalische Algorithmen, wie sie zur Entdeckung schwarzer Löcher dienen, auf die Krebsbiologie. Sie verarbeitet Daten Tausender Patienten und erstellt für einen neuen Patienten einen individuellen virtuellen Avatar.
Klinische Anwendung: Bei schwierigen Erkrankungen mit begrenzten Therapieoptionen, etwa triple-negativem Brustkrebs (TNBC), wird die voraussichtlich wirksamste Medikamentenkombination, beispielsweise Chemotherapie plus Immuntherapie, in silico, also am Computer, getestet. Die Plattform ermöglicht außerdem virtuelle klinische Studien, um die Kosten der Medikamentenentwicklung zu senken.
SimBioSys TumorSight: virtuelle Operationsplanung
Diese von der FDA im Verfahren 510(k) freigegebene Plattform erstellt aus dynamischen kontrastverstärkten Brust-MRT-Aufnahmen (DCE-MRI) ein 3-dimensionales biophysikalisches Tumormodell. Es simuliert neben der Form auch die Wachstumskinetik des Tumors.
Bedeutung für den Chirurgen: Noch vor dem Eingriff kann der Chirurg die Frage „Kann ich bei einer brusterhaltenden Operation tumorfreie Resektionsränder erzielen?“ in dieser Simulation prüfen. Ziel ist es, Nachoperationen (Reexzisionen) und den Verlust der Brust so weit wie möglich zu vermeiden.
3. Therapieansprechen und Resistenz vorhersagen: biologische Codes entschlüsseln
KI erklärt sowohl, was geschehen wird, als auch, weshalb es geschieht. Zwei wichtige Entwicklungen zur Entschlüsselung des Tumorökosystems sind:
- Multiomik-Integration (Nature, 2022): Allein anhand klinischer Daten ist das Therapieansprechen schwer vorherzusagen. In der in Nature veröffentlichten Studie von Sammut und Kollegen verband ein KI-Modell das Patientenalter mit Tumor-DNA (Mutationslast, Kopienzahlveränderungen), RNA (Genexpression) und digitalen Pathologiebildern zur Immunzellinfiltration (TILs).
Ergebnis: Durch diese Integration wurde ein vollständiges Ansprechen auf neoadjuvante Chemotherapie (NAC) mit einer sehr hohen Genauigkeit von 0.87 AUC vorhergesagt. Zudem identifizierte das Modell in therapieresistenten Tumoren Mechanismen der Immunflucht, etwa den Verlust von HLA-Klasse-I-Allelen, und lieferte damit neue medikamentöse Angriffspunkte. - PERCI-Index (endokrine Resistenz): Bei einem Teil der Patienten mit hormonrezeptorpositivem Brustkrebs (HR+) entsteht mit der Zeit eine Resistenz gegen die Hormontherapie. Der PERCI-Wert (Predictive Endocrine Resistance Index) analysiert mittels maschinellen Lernens Daten wie TP53-Mutationsstatus, DNA-Methylierungsmuster und Patientenalter.
Klinischer Nutzen: Er beantwortet dem Arzt folgende Frage: „Reicht bei diesem Patienten eine alleinige endokrine Therapie aus, oder sollte von Beginn an ein zielgerichteter Wirkstoff, ein CDK4/6-Inhibitor, ergänzt werden?“
4. Bedeutung für den Alltag: KI in der Sprechstunde
KI unterstützt Ärzte inzwischen auch im klinischen Alltag und ist über die Laborforschung hinausgewachsen.
| Technologie / Software | Anwendungsbereich | Klinischer Nutzen und Funktion |
|---|---|---|
| Koios DS (FDA-Freigabe nach 510(k)) | Brustultraschall | Markiert der Radiologe eine verdächtige Läsion, analysiert das System sie innerhalb von Sekunden, liefert einen zur BI-RADS-Kategorie passenden Risikowert und empfiehlt entweder eine Biopsie oder eine Verlaufskontrolle. Die diagnostische Genauigkeit der Radiologen (AUC) stieg nachweislich von 0.83 auf 0.87. |
| GUIDE-G / RAG-Technologie | Leitlinienintegration | Das System durchsucht komplexe, hunderte Seiten umfassende Leitlinien von NCCN und ASCO und liefert dem Arzt sofort die aktuellste evidenzbasierte Behandlungsmöglichkeit für seinen Patienten. Das RAG-basierte System der National University of Singapore minimiert das Risiko von KI-Halluzinationen, also falschen Informationen. |
| SurvGPT | Nachsorge nach Krebs | Erstellt nach Abschluss der Behandlung automatisch einen Survivorship Care Plan (SCP). Elektronische Gesundheitsakten (EHR) werden durchsucht, Chemotherapiedosen, Bestrahlungsfelder und Nebenwirkungen zusammengefasst und ein individueller Nachsorgekalender erstellt. |
| TabNet | Rückfallvorhersage | Analysiert neben dem Tumor auch die Symmetrie zur anderen Brust und das umgebende peritumorale Gewebe und sagt das Rückfallrisiko samt seinen Ursachen voraus (erklärbare KI). |
5. Regulatorischer Rahmen: sichere Anwendung von KI
Regulierungsbehörden wie die FDA und Fachgesellschaften wie die ESMO legen Standards für die sichere Integration von KI in die klinische Versorgung fest.
- FDA (US-amerikanische Arzneimittel- und Lebensmittelbehörde): Sie bewertet KI-Algorithmen als „Software als Medizinprodukt“ (SaMD). Für selbstlernende Algorithmen verlangt sie einen vorab festgelegten Änderungskontrollplan (PCCP), mit dem Leistungsänderungen im Zeitverlauf überwacht werden.
- ESMO (Europäische Gesellschaft für Medizinische Onkologie): Sie hat zwei wichtige Empfehlungen veröffentlicht:
- ELCAP: Legt Grenzen für den Einsatz großer Sprachmodelle fest und verlangt Quellenprüfung sowie die Einbindung menschlicher Kontrolle („human in the loop“).
- EBAI: Definiert die Kriterien analytischer und klinischer Validität, die KI-basierte Biomarker vor ihrem klinischen Einsatz erfüllen müssen.
Wissenschaftliche Literatur und weiterführende Lektüre
- Yala A, Mikhael PG, Strand F, et al. Toward robust mammography-based models for breast cancer risk (Mirai). Science Translational Medicine. 2021;13(578):eaba4373.
- Sammut SJ, Crispin-Ortuzar M, Chin SF, et al. Multi-omic machine learning predictor of breast cancer therapy response. Nature. 2022;601(7894):623-629.
- Lehman CD, Yala A, Schuster T, et al. Mammographic Breast Density Assessment Using Deep Learning: Clinical Implementation. Radiology. 2019;290(1):52-58.
- Harbeck N, et al. A predictive endocrine resistance index accurately stratifies luminal breast cancer treatment responders and nonresponders (PERCI). J Clin Invest. 2024.
- SimBioSys. FDA Clears TumorSight Viz for Breast Cancer Surgical Planning. Press Release, 2023.
- ESMO Real World Data and Digital Health Working Group. Guidance on the use of Large Language Models in Oncology. Annals of Oncology. 2024.
*Dieser Artikel wurde aus dem Vortrag von Prof. Dr. Mustafa Özdoğan mit dem Titel "Meme Kanseri Yönetiminde Yapay Zeka: Risk Tahmininden Tedavi Simülasyonuna" sowie aktueller Fachliteratur zusammengestellt.
War dieser Artikel hilfreich?
Ihre Rückmeldung hilft uns, unsere Inhalte zu verbessern.
Leserkommentare
Kommentar verfassen
Ihr Name und Ihr Kommentar werden erst nach Freigabe durch die Administration veröffentlicht. Ihre E-Mail-Adresse wird Besuchern niemals angezeigt.
Schreiben Sie den ersten Kommentar.