So könne KI als Ergänzung zur menschlichen Befundung die Sensitivität und die Spezifität verbessern. Substitutiv eingesetzt habe KI das Potential, die Arbeitslast der fachärztlichen Doppelbefundung bei mindestens gleichwertigem Ergebnis zu reduzieren. Aktuelle Studien-Daten aus Schweden stützen die Empfehlung, die die KI-gestützte Mammographie in die klinische Praxis einzuführen.

Die Mamma-Diagnostik gelte als ideales Anwendungsgebiet für KI, so ein Autorenteam um Prof. Dr. Pascal A. T. Baltzer (Medizinische Universität Wien). Dem Radiologen zufolge  lässt sich die Mamma-Diagnostik grundsätzlich in drei Szenarien einteilen: die Früherkennung, die kurative Mammographie inklusive Assessment und schließlich die Behandlungsführung nach Mammakarzinom-Diagnose.

Beim Mammographie-Screening sei in der Praxis mit 4 bis 6 entdeckten Malignomen pro 1000 Untersuchungen zu rechnen, erklären Baltzer und seine Kollegen. Das bedeute, dass nur etwa in einer von 250 Untersuchungen ein Tumor diagnostiziert werde. Eine solche repetitive Analyse könne zur Ermüdung führen, wodurch die Gefahr bestehe, dass genau dieser eine Tumor übersehen werde. Um diese Risiken zu minimieren, sei beim Massenscreening eine unabhängige Doppelbefundung üblich. 

Der damit verbundene hohe personelle Aufwand mache das Screening zu einem vielversprechenden Einsatzfeld für KI-Anwendungen. KI könne grundsätzlich zur Detektion von Befunden sowie zur Einschätzung der Malignom-Wahrscheinlichkeit eingesetzt werden. Arbeitsbelastung, Fehlerquote und Personal-Bedarf könnten reduziert werden.

 Die derzeit besten wissenschaftlichen Daten zum Einsatz von KI in der Mamma-Diagnostik stammen den Autoren zufolge aus dem Screening. Eine der wichtigen Studien dazu ist die schwedische MASAI-Studie (Mammography Screening with Artificial Intelligence). Dabei handelt es sich um eine randomisierte, kontrollierte, auf den Nachweis der Nicht-Unterlegenheit angelegte Studie, in der knapp 106.000 Frauen nach dem Zufallsprinzip der Interventionsgruppe (Mammographie mit KI-Unterstützung)— oder der Kontrollgruppe (Doppelbefundung ohne KI) zugewiesen wurden. 

Bereits früher veröffentliche Daten zeigten, dass KI-unterstütztes Mammographie-Screening ähnliche Brustkrebs-Diagnoseraten erreichte wie die konventionelle Doppelbefundung. Gleichzeitig sank die Arbeitsbelastung der Radiologen um 44,3 Prozent („Lancet Oncology“). 

Aktuelle in „Lancet“ publizierte Daten, zeigen nun, dass mit KI-Unterstützung auch die besonders schwer erkennbaren und aggressiven Intervallkarzinome identifizieren werden: So traten während der zweijährigen Nachbeobachtungszeit in der KI-gestützten Mammographie-Gruppe 1,55 Intervallkarzinome pro 1000 Frauen (82/53.043) auf; in der Kontrollgruppe waren es hingegen 1,76 Intervallkarzinome pro 1000 Frauen (93/52.872): dies entspricht einer Reduktion der Intervallkarzinom-Diagnosen um 12 Prozent.

In der Gruppe mit KI-unterstützten Mammographien identifizierten die Ärzte mehr Krebsfälle während der Screening-Untersuchungen, was während der zweijährigen Nachbeobachtung zu zwölf Prozent weniger Brustkrebs-Diagnosen führte. Besonders bei den Intervallkarzinomen konnten Radiologen mit Unterstützung der KI deutlich mehr Fälle erkennen und die Diagnosen in den Folgejahren um bis zu 27 Prozent verringern. 

Dieser Nutzen wurden nach Angaben der Autoren nicht durch mehr falsch-positive Brustkrebs-Diagnosen zunichte gemacht: Die Rate der falsch-positiven Befunde lag bei 1,5 % in der Interventionsgruppe und 1,4 % in der Kontrollgruppe („The Lancet Digital Health“). Eine weitere wichtige Studie sei, so Baltzer und seine Kollegen, dieprospektive ScreenTrustCAD-Studie mit 55.581 Frauen; sie habe ähnliche Ergebnisse wie die MASAI-Studie geliefert, berichtet der Wiener Radiologe („Nature Medicine“).

Diese beiden Studien unterstreichen den Radiologen zufolge das Potenzial der KI im Brustkrebs-Screening. Sie bekräftigten die großen Hoffnungen, die auf der KI in der Mamma-Diagnostik ruhten.Um das Potenzial der KI in der Mama-Diagnostik differenziert zu verstehen, sei es aber wichtig zu betonen, dass diese Ergebnisse nur im Rahmen von populationsbezogenen Massenscreenings ihre Gültigkeit hätten. In anderen Anwendungsfeldern der Mamma-Diagnostik seien unterschiedliche Resultate zu erwarten. Selbst innerhalb des Mammographie-Screenings gebe es erhebliche Unterschiede. 

Der sichere Tumorausschluss ist, wie die Autoren weiter erklären, das Ziel sowohl in der kurativen Situation als auch im Assessment. Um diese Sicherheit zu gewährleisten, führten Radiologen weiterführende Bildgebung und/oder bildgeführte Biopsien durch. Der dafür notwendige personelle und apparative Aufwand sei hoch und belaste das Gesundheitssystem. Zudem entstehe durch dieses Vorgehen eine erhebliche Zahl falsch-positiver Befunde. 

KI könne hier die Mamma-Diagnostik unterstützen und so eine sicheren Tumorausschluss ermöglichen. Dabei griffen KI-Systeme nicht nur auf radiologische Bilddaten zurück. Sie integrierten auch klinische Informationen zu den Patienten – wie Alter, Risikostatus – und berücksichtigten den zeitlichen Verlauf aller Befunde. Dadurch werde eine objektivere Diagnosefindung unterstützt, die Genauigkeit erhöht, und es könnten Empfehlungen für weiterführende Diagnostik gegeben werden.

Der komplexe Prozess der Behandlungsführung bei Mammakarzinomen erfordere ein hohes Maß an Expertise, multidisziplinäre Kommunikation sowie eine effiziente Informationsübermittlung. Dabei sei der Einsatz multimodaler Bildgebung, minimal-invasiver Biopsien und Tumormarkierungen durch die Radiologie von zentraler Bedeutung. Der Arbeitsaufwand sei dabei hoch, nur eingeschränkt standardisierbar und bleibe individuell variabel. 

„Obwohl gerade solche Situationen für die KI hohes Potenzial bieten, steht die Entwicklung KI-basierter Entscheidungshilfen aufgrund der Notwendigkeit ausreichend großer und balancierter Trainingsdatensätze vor größeren Herausforderungen als im Screening oder der diagnostischen Abklärung", betonen Baltzer und seine Kollegen.

Ein typisches Anwendungsszenario in der Behandlungsplanung sei die Beurteilung des Therapie-Ansprechens mittels KI-gestützter radiologischer Verfahren. Diese ermöglichten eine objektivere und präzisere Bewertung der Therapieansprache. Darüber hinaus sei auch eine prätherapeutische Prognose des Ansprechens auf eine bestimmte Therapie grundsätzlich möglich. Obwohl diesen Verfahren auf wissenschaftlichen Tagungen und in der Fachliteratur viel Beachtung geschenkt werde, habe die KI-gestützte Beurteilung des Therapie-Ansprechens in der klinischen Praxis derzeit keinen wertschöpfenden Einfluss. 

Ein weiteres potenzielles Anwendungsgebiet von KI sei die Vorhersage des molekularen Subtyps. Aktuell werde der molekulare Subtyp noch über standardisierte Surrogatmarker bestimmt.  Auf Basis dieser molekularen Charakterisierung lassen sich spezifische therapeutische Maßnahmen ableiten. Patienten mit aggressiven Tumorsubtypen werden dabei gemäß den aktuellen Leitlinien meist neoadjuvant systemisch behandelt. KI-gestützte radiologische Verfahren seien in der Lage, den molekularen Subtyp eines Tumors vorhersagen zu können.

Außer Verarbeitung von Bilddaten gibt es eine Vielzahl weiterer KI-Anwendungen in der Mamma-Diagnostik. Exemplarisch beleuchten die Autoren Large Language Models (LLMs). Sie böten vielversprechende Einsatzmöglichkeiten in der Mamma-Diagnostik bei der Erstellung, Überprüfung und Kommunikation von Befunden. So könnte mit ihnen die Befundungszeit erheblich beschleunigt werden. 

Darüber hinaus unterstützen sie Radiologen bei der automatisierten Erstellung von Fließtexten. LLMs helfen effektiv, Befunde zu überprüfen und in der klinischen Praxis Befundfehler zu erkennen. So können Seitenverwechslungen vermieden und Diskrepanzen zwischen Befundtext und Zusammenfassung entdeckt werden. Damit könnten LLMs sowohl für die interne als auch externe Qualitätskontrolle eingesetzt werden.