NYU-DRP KI‑Modell sagt 5‑Jahres‑Brustkrebsrisiko aus 3D‑Mammographien voraus

NYU Langone Health gab am 10. September 2026 bekannt, dass Forscherinnen und Forscher von NYU Langone Health und dessen Perlmutter Cancer Center ein Deep‑Learning‑Werkzeug namens NYU‑DRP entwickelt haben, das das fünfjährige Brustkrebsrisiko einer Frau schätzt, indem es ihre über mehrere Jahre aufgenommenen 3D‑Mammographien analysiert.

Ein Deep‑Learning‑Modell, das auf longitudinalen 3D‑Mammographien basiert

Das Werkzeug analysiert die longitudinale digitale Brust‑Tomosynthese (longitudinale DBT), also das 3D‑Mammographie‑Protokoll, das eine Frau über wiederholte jährliche Screenings ansammelt. Die Validierungsstudie mit dem Titel “Predicting 5-Year Breast Cancer Risk From Longitudinal Digital Breast Tomosynthesis: A Single-Center Retrospective Study” wurde online im American Journal of Roentgenology am 12. August 2026 veröffentlicht, nach Annahme am 3. August 2026, und trägt die DOI 10.2214/AJR.26.34951.

Die Arbeit gibt an, dass ihr Ziel die Entwicklung und Evaluierung eines Deep‑Learning‑Modells war, das longitudinale DBT‑Untersuchungen nutzt, um das langfristige Brustkrebsrisiko vorherzusagen. Die Autoren vermerken, dass bildbasierte Brustkrebs‑Risikovorhersage-Modelle bisher hauptsächlich die Vollfeld‑digitale Mammographie (FFDM) verwendet haben und dass, obwohl DBT in den Vereinigten Staaten zur dominierenden Screening‑Modality geworden ist, ihr Potenzial für langfristige Risikovorhersagen noch wenig erforscht ist.

„Unsere Studie zeigt, wie KI‑Modelle wie NYU‑DRP zuverlässig das zukünftige Brustkrebsrisiko einer Frau anhand vorhandener 3D‑Mammographien bestimmen können, die Informationen darüber enthalten, wie sich das Brustgewebe über mehrere Screenings hinweg verändert hat“, sagte der leitende Studienforscher Yanqi Xu, PhD, Postdoktorand in der Abteilung Radiologie der NYU Grossman School of Medicine und des Perlmutter Cancer Center.

Retrospektive Kohorte und berichtete Ergebnisse

Laut der veröffentlichten Studie umfasste die retrospektive Analyse 313.335 DBT‑Untersuchungen von 161.077 Frauen mit einem Durchschnittsalter von 58,5 Jahren, die zwischen Januar 2016 und August 2020 an einer einzigen Gesundheitseinrichtung bildgebend untersucht wurden. Die Ankündigung von NYU Langone beschreibt NYU‑DRP als aus 313.531 jährlichen 3D‑Mammographien von 161.165 Frauen ohne Brustkrebs erstellt, die zwischen 2016 und 2020 in den NYU‑Langone‑Krankenhäusern untersucht wurden.

Das DRP‑Modell schätzt das zwei‑ bis fünfjährige Brustkrebsrisiko anhand longitudinaler DBT‑Untersuchungen, des Alters der Patientin und der Brustdichte. Die Forschenden verglichen es mit einem DBT‑Modell für einen einzelnen Zeitpunkt, mit dem Mirai‑Modell, das am selben Tag FFDM verwendet, sowie mit dem klinischen Risikomodell Tyrer‑Cuzick und bewerteten die Leistung mittels AUC, zeitabhängigem Konkordanz‑Index und integrierten Brier‑Score‑Metriken.

In einem unabhängigen Testset von 34.570 Untersuchungen berichtet die Arbeit, dass das longitudinale DRP‑Modell eine fünfjährige AUC von 0,721 (95 %‑KI, 0,698–0,744) erreichte, was gegenüber dem Modell für einen einzelnen Zeitpunkt mit 0,707 (95 %‑KI, 0,683–0,730) und dem Mirai‑Modell mit 0,687 (95 %‑KI, 0,663–0,710) eine Verbesserung darstellt, beide mit p <.001. Die Ankündigung charakterisiert diese Ergebnisse dahingehend, dass Frauen mit höherem Risiko zu 72 %, 70 % bzw. 68 % der Fälle korrekt eingestuft wurden.

In einer abgeglichenen Fall‑Kontroll‑Kohorte von 432 Frauen berichtet die Arbeit eine fünfjährige AUC von 0,676 (95 %‑KI, 0,626–0,726) für das DRP‑Modell gegenüber 0,563 (95 %‑KI, 0,509–0,619; p <.001) für das Tyrer‑Cuzick‑Modell, ein Vergleich, den die Ankündigung mit 67 % gegenüber 56 % angibt. Laut der Mitteilung verwendet Tyrer‑Cuzick weder KI noch Mammographie‑Scans, sondern stützt sich auf persönliche und familiäre medizinische Informationen, wie Alter, genetische Mutationen und Brustdichte, untermauert durch Biopsie‑Ergebnisse; der Vergleich umfasste 432 Frauen, wobei die Hälfte mit Frauen ähnlichen Alters und Hintergrunds abgeglichen wurde, deren fünfjährige Ergebnisse unterschiedlich waren.

Die Studie berichtet weiter, dass die Brustdichte allein nicht mit dem vorhergesagten Risiko korreliert. Bei Untersuchungen von Frauen mit extrem dichter Brust klassifizierte das Modell 39,7 % (746 von 1.877) als durchschnittliches Risiko, wobei die beobachtete fünfjährige Krebsinzidenz 0,8 % (6 von 746) betrug; bei Untersuchungen von Frauen mit fetter Brust klassifizierte es 14,8 % (386 von 2.605) als hohes Risiko, mit einer beobachteten Inzidenz von 2,6 % (10 von 386). Die Ankündigung, die darauf hinweist, dass dichtes Brustgewebe das Krebsrisiko erhöht, gibt diese Anteile mit 37,6 % und 0,7 % bzw. 15,5 % und 2,5 % an.

Der leitende Studienforscher Yiqiu „Artie“ Shen, PhD, Assistenzprofessor in der Abteilung Radiologie der NYU Grossman School of Medicine und des Perlmutter Cancer Center, sagte, die Ergebnisse zeigten, dass wiederholte 3D‑Mammographien Informationen über das zukünftige Brustkrebsrisiko einer Frau enthalten, die weder allein durch die Brustdichte noch durch eine einzelne Mammographie vollständig erfasst werden. Die Forschenden stellten fest, dass weniger als 3 % der im Rahmen der Studie (die 2025 endete) getesteten Frauen Brustkrebs entwickelten und dass alle Untersuchungen mit Brustbildgebungsgeräten von Hologic Inc. aus Marlborough, Massachusetts, durchgeführt wurden; die Arbeit bezeichnet das Design als ein einzelnes retrospektives Studienzentrum.

Die Autoren schließen, dass ein Deep‑Learning‑Modell, das longitudinale DBT‑Untersuchungen nutzt, die langfristige Brustkrebsrisikovorhersage im Vergleich zu FFDM‑basierten und klinischen Risikomodellen verbessert hat, und sie sehen die klinische Auswirkung darin, eine dynamische Risikobewertung mittels Screening‑Bilder zu ermöglichen und zukünftige personalisierte Screening‑Strategien zu unterstützen.

Geplante Validierung, Finanzierung und Screening‑Kontext

„Wenn zukünftige Experimente an anderen Frauen mit Brustkrebs erfolgreich sind, könnten KI‑unterstützte 3D‑Mammographien wie NYU‑DRP Ärztinnen und Ärzten helfen, das Screening besser an das tatsächliche Risiko einer Frau anzupassen, indem sie jene Frauen identifizieren, die von zusätzlichem Screening profitieren, und gleichzeitig unnötige Zusatzuntersuchungen für Frauen mit geringerem Risiko vermeiden“, sagte die Mitforscherin Laura Heacock, MD, außerordentliche Professorin in der Abteilung Radiologie der NYU Grossman School of Medicine und des Perlmutter Cancer Center.

Shen erklärte, das Team plane als nächsten Schritt, das longitudinale DBT‑Programm zu nutzen, um die Brustgesundheit von Frauen proaktiv zu verfolgen, zu beobachten, wie das Werkzeug ihre Gesundheit beeinflusst und wer Brustkrebs entwickelt. Die Forschenden planen zudem, das Werkzeug mit Daten anderer akademischer Gesundheitszentren sowie mit Daten verschiedener 3D‑Mammographie‑Hersteller zu teilen und zu überprüfen.

Die Finanzierung der Studie erfolgte durch das National Science Foundation‑Grant 1922658, das National Institutes of Health‑Grant R01EB036530, den Milstein Pilot Project Fund, den Shifrin‑Myers Breast Cancer Discovery Fund und die Manhasset Women’s Coalition Against Breast Cancer. Neben Xu, Shen und Heacock waren die Mitforscher des Projekts Jungkyu Park, Felicia Pasadyn, Qi Lei, Alana Lewin, Krzysztof Geras, Linda Moy und Freya Schnabel; in der Arbeit wird Shen als korrespondierender Autor angegeben.

Die Ankündigung stellt die Studie im Kontext der US‑Screening‑Statistiken: geschätzt wird 1 von 8 Frauen in den Vereinigten Staaten im Laufe ihres Lebens an Brustkrebs erkranken, wobei für das Jahr 2026 etwa 382.640 Frauen diagnostiziert werden sollen. Die fünfjährige relative Überlebensrate liegt über 99 %, wenn Brustkrebs in den frühesten Stadien erkannt wird; mehr als 4 Millionen Brustkrebs‑Überlebende leben derzeit im Land, im Jahr 2025 wurden über 43 Millionen Mammographien durchgeführt, und Fachleute empfehlen nun jährliche Mammographie‑Screenings ab einem Alter von 40 Jahren.