Mit künstlicher Intelligenz vorhersagen, ob Sie künftig Brustkrebs bekommen werden

Radilogy veröffentlichte am 17. Dezember 2019 eine Untersuchung, nach der ein Modell der derzeit besonders viel diskutierten KI-Anwendung Deep Learning, also tiefes Lernen, mit höherer Genauigkeit als dichtebasierte Modelle vorhersagen konnte, welche Frauen ein Risiko für eine spätere Brustkrebserkrankung aufweisen. Dr. Karin Dembrower und Kollegen vom Karolinska-Institut in Stockholm entwickelten einen mit künftigem Brustkrebs verbundenen Risikoscore und verglichen das Deep-Learning-Modell in einer retrospektiven, also auf früheren Daten beruhenden Untersuchung mit dichtebasierten Modellen. Die Entwicklung des Modells beruhte auf zwischen 2008 und 2012 diagnostizierten Fällen. Für jede Frau wurden anhand des frühesten verfügbaren digitalen Mammogramms der Deep-Learning-Risikoscore, die dichte Fläche und der prozentuale Dichteanteil berechnet.

In Deep-Learning- Systemen übernehmen von Menschen erstellte Algorithmen das Sammeln, Ordnen und Analysieren großer Datenmengen. Große Datenmengen, Big Data, speisen ein künstliches neuronales Netz , also eine nach der Funktionsweise des menschlichen Gehirns modellierte Gruppe von Algorithmen, und werden anschließend interpretiert. Programmierer geben der Maschine nicht vor, was sie mit den Daten tun soll; stattdessen analysiert die Maschine die Daten und trifft Entscheidungen auf Grundlage des Gelernten. Meist werden ihre Entscheidungen umso genauer, je mehr Daten sie erhält. In der Studie wurden insgesamt 2.283 Frauen untersucht; bei 278 wurde später Brustkrebs diagnostiziert. Die Forscher stellten fest, dass Frauen mit Brustkrebs gegenüber Frauen ohne diese Diagnose zum Zeitpunkt der Mammografie älter waren, median 55,7 gegenüber 54,6 Jahre, eine größere dichte Fläche hatten, median 38,2 gegenüber 34,2 cm², und einen höheren Dichteanteil aufwiesen, median % 25,6 gegenüber 24.0 Prozent.

• Verwandtes Thema: Was ist eine dichte Brust? Warum ist das Krebsrisiko bei dichter Brust höher? Gegenüber dichter Fläche und prozentualer Dichte lieferte der altersbereinigte Deep-Learning-Risikoscore genauere Ergebnisse. Die Rate falsch negativer Befunde, also fälschlich gutartiger Ergebnisse trotz tatsächlich vorhandenen Krebses, war bei diesem Score niedriger; bei aggressiveren Tumoren war der Unterschied am deutlichsten. Insgesamt war das auf Deep Learning und damit auf künstlichen neuronalen Netzen beruhende KI-Modell dem dichtebasierten Vorhersagemodell überlegen. Zusammenfassend gilt inzwischen als sicher, dass Entscheidungsunterstützungssysteme mit diesen derzeit meist im Wettbewerb mit menschlichen Experten trainierten KI-Algorithmen in naher Zukunft, schätzungsweise innerhalb von 10 Jahren, eine wichtige Rolle bei Krebsdiagnose und Risikobestimmung spielen werden.