Fortschritte bei der Risikovorhersage von Brustkrebs mit KI

Brustkrebs ist ein grosses Gesundheitsproblem für Frauen weltweit. Regelmässige Mammographien können helfen, Brustkrebs frühzeitig zu entdecken und die Chancen zu senken, daran zu sterben. Allerdings erkennen traditionelle Mammographien manchmal nicht alle Fälle von Brustkrebs. Um das Screening effektiver zu machen, nutzen Forscher neue Methoden, einschliesslich fortschrittlicher Computertechnologie.

Aktuelle Studien legen nahe, dass künstliche Intelligenz (KI) helfen kann, das Risiko, Brustkrebs zu entwickeln, besser einzuschätzen. Mit KI können Ärzte besser erkennen, welche Frauen von zusätzlichen Screening-Tests oder personalisierten Screening-Plänen profitieren könnten. Diese Fortschritte könnten zu besseren Ergebnissen für die Patientinnen führen.

#Aktuelle Risikovorhersagemethoden

Traditionell haben Ärzte Modelle wie das Gail- und Tyrer-Cuzick-Modell verwendet, um das Risiko einer Frau für Brustkrebs zu schätzen. Diese Modelle berücksichtigen oft Faktoren wie Brustdichte, Familiengeschichte und Alter. Allerdings können diese traditionellen Methoden begrenzt sein und sind nicht immer zuverlässig in der Praxis.

Deep Learning ist eine Art KI, die vielversprechende Ergebnisse bei der Vorhersage von Brustkrebs zeigt, indem Mammographien direkt untersucht werden. Diese KI-Modelle schneiden oft besser ab als ältere statistische Methoden, weil sie keine zusätzlichen persönlichen Informationen benötigen, die nicht immer verfügbar sind.

#Bedeutung früherer Mammographien

Wenn Radiologen aktuelle Mammographien anschauen, vergleichen sie diese oft mit früheren Untersuchungen. Dieser Vergleich hilft, Veränderungen zu erkennen, die auf Krebs hindeuten könnten. Einige aktuelle Studien haben ergeben, dass die Verwendung früherer Mammographien die Fähigkeit der Radiologen verbessert, sowohl gutartige als auch bösartige Knoten zu erkennen.

Indem frühere Mammographien in KI-Modelle integriert werden, glauben Forscher, dass sie ein vollständigeres Bild der Brustgesundheit einer Patientin liefern können. Dieser Ansatz könnte zu einer besseren Vorhersage des Brustkrebsrisikos über die Zeit führen.

#Neuer Ansatz zur Risikovorhersage

In dieser Studie wurde ein neues KI-Modell entwickelt, das frühere Mammographien nutzt, um das Risiko für Brustkrebs vorherzusagen. Dieses Modell basiert auf einer Art KI, die Transformer genannt wird und verschiedene Informationsstücke analysieren und deren Beziehungen zueinander berücksichtigen kann. Die Hypothese ist, dass Unterschiede in den Brustmustern zwischen früheren und aktuellen Mammographien dem Modell helfen können, das Risiko genauer einzuschätzen.

Das Modell wurde an einem grossen Datensatz von Mammographien von über 9.000 Patientinnen getestet. Es zeigte, dass es durch die Verwendung früherer Untersuchungen besser abschneiden konnte als bestehende Methoden, die nur aktuelle Bilder betrachten.

#Wie das Modell funktioniert

Das neue Modell funktioniert, indem es zuerst Merkmale aus sowohl aktuellen als auch vorherigen Mammographien extrahiert. Dann verwendet es einen Transformer-Dekodierer, um relevante Informationen aus beiden Bildersets zu kombinieren. Diese kombinierte Information hilft, das kumulative Risiko für Brustkrebs für jede Patientin vorherzusagen.

Das Ziel des Modells ist es, festzustellen, wie wahrscheinlich es ist, dass eine Patientin im Laufe der Zeit ein Ereignis, wie die Entwicklung von Krebs, erlebt. Die im Modell verwendeten Daten umfassen spezifische Merkmale aus den Mammographien und den Zeitpunkt von Ereignissen, wie dem Zeitpunkt der Krebsdiagnose.

#Evaluierung des Modells

Zur Bewertung wurde das neue Modell mit zwei anderen Modellen verglichen: einem Basismodell, das traditionelle Methoden nutzt, und einem anderen Modell, das einfach die Merkmale aus vorherigen und aktuellen Bildern addiert, ohne den Transformer-Dekodierer.

Die Ergebnisse waren auffällig. Das neue Modell zeigte eine signifikante Verbesserung bei der Vorhersage des Brustkrebsrisikos, besonders über längere Zeiträume. Es erzielte eine höhere Performance-Bewertung im Vergleich zum Basismodell und dem einfacheren Modell. Diese Verbesserung war besonders bemerkbar bei Frauen, deren Mammographien Veränderungen im Vergleich zu früheren Untersuchungen zeigten.

#Der verwendete Datensatz

Die Forscher haben einen Mammographie-Datensatz zusammengestellt, der 16.113 Untersuchungen von 9.113 Patientinnen über mehrere Jahre umfasst. Jede Untersuchung hatte mindestens eine frühere Mammographie zum Vergleich. Dieser grosse Datensatz beinhaltete eine Vielzahl von Fällen, angefangen von bestätigten Krebsfällen bis hin zu gutartigen Ergebnissen und normalen Untersuchungen.

Alle Daten wurden anonym behandelt, um die Privatsphäre der Patientinnen zu schützen. Der Datensatz ermöglichte es den Forschern, ihr Modell effektiv zu trainieren und zu validieren.

#Leistungsanalyse

Um die Stärke des neuen Modells zu verstehen, verwendete das Team verschiedene Methoden zur Messung der Effektivität, darunter den C-Index und den zeitabhängigen AUC. Der C-Index hilft zu beurteilen, wie genau das Modell die Reihenfolge der Überlebenszeiten unter den Patientinnen vorhersagt.

Die Ergebnisse zeigten, dass das Modell nicht nur die kurzfristigen Vorhersagen verbesserte, sondern besonders in den langfristigen Vorhersagen (bis zu vier Jahre) stark war. Das deutet darauf hin, dass Veränderungen im Brustgewebe über die Zeit wertvolle Informationen zur Einschätzung des Brustkrebsrisikos liefern können.

#Bedeutung der Brustdichte

Die Brustdichte spielt eine entscheidende Rolle beim Risiko für Brustkrebs. Frauen mit dichterem Brustgewebe haben ein höheres Risiko, Krebs zu entwickeln. Das KI-Modell betrachtete auch, wie sich Veränderungen in der Brustdichte über die Zeit auf Vorhersagen auswirken.

Die Studie teilte die Patientinnen in Gruppen ein, basierend darauf, ob sich ihre Brustdichte zwischen den Untersuchungen geändert hat. Es wurde festgestellt, dass das Basismodell Schwierigkeiten hatte, Risiken vorherzusagen, wenn es eine Veränderung in der Brustdichte gab, während das neue Modell in der Lage war, diese Risiken genau zu bewerten. Dieses Ergebnis bestätigt die Bedeutung der Berücksichtigung früherer Untersuchungen bei der Vorhersage des Brustkrebsrisikos.

#Fazit

Dieser neue Ansatz zur Vorhersage des Brustkrebsrisikos, der frühere Mammographien in Verbindung mit einem Transformator-Modell nutzt, zeigt grosses Potenzial. Er übertrifft ältere Methoden, insbesondere bei der Vorhersage langfristiger Risiken, indem er Veränderungen im Brustgewebe über die Zeit berücksichtigt.

Während wir weiterhin an diesen KI-Modellen arbeiten, gibt es eine grosse Chance, wie wir beim Screening auf Brustkrebs vorgehen können. Die Hoffnung ist, dass wir mit diesen Fortschritten die Früherkennung verbessern können, was letztendlich zu besseren Ergebnissen für gefährdete Frauen führen wird. Die Integration von Daten früherer Mammographien in Risikobewertungen ist ein Schritt in die richtige Richtung, um das Screening auf Brustkrebs effektiver und personalisierter zu gestalten.