Kriterium für Brustkrebsscreening: Deep-Learning-basiertes Risikomodell vs. Brustdichte

Fazit und klinische Relevanz

Die Brustdichte-basierte Zugangssteuerung zur ergänzenden Bildgebung (MRT, Ultraschall) für das Brustkrebsscreening ist ein schlichtes, populationsbasiertes Instrument, aber: 

• Es erfasst Frauen mit nicht-dichtem Brustgewebe, aber hohem Brustkrebsrisiko nicht korrekt. 
• Es führt zu unnötigen zusätzlichen Untersuchungen von Frauen mit dichtem Brustgewebe, aber geringem Brustkrebsrisiko.

Ein bildbasiertes DL-Risikomodell liefert eine präzisere, automatisierte und altersunabhängige Risikostratifizierung, die auch den Masking-Effekt (falsch-negative Befunde) besser abbildet.

Für die radiologische Praxis legen die Autor:innen nahe, DL-Risikomodelle perspektivisch als Ergänzung oder Alternative zur reinen Dichteklassifikation in klinische Pfade und Erstattungsregelungen zu integrieren – eine prospektive Validierung der Risiko-Schwellenwerte steht aber noch aus.

Hintergrund 

Seit September 2024 schreibt die US-amerikanische FDA radiologischen Einrichtungen vor, Frauen über ihre Brustdichte zu informieren, wenn sie eine Mammographie erhalten. Eine erhöhte Brustdichte ist ein Brustkrebs-Risikofaktor und kann Läsionen maskieren.

Als problematisch erweist sich, dass die in den USA verwendete Klassifikation nur zwei Gruppen kennt: Kategorien A und B = „dicht“, Kategorien C und D = „nicht-dicht“ (BI-RADS-Atlas 5. Auflage). 

Damit wird 40-50 % aller Frauen in den USA eine hohe Brustdichte attestiert. Zusätzlich unterliegt die Bestimmung der Brustdichte einer Interreader-Variabilität. In der Mehrzahl der US-Bundesstaaten bildet diese dichotome Ermittlung der Brustdichte aber die Grundlage, um über eine zusätzliche Bildgebung zu entscheiden. 

Leslie Lambert et al. vom Massachusetts General Hospital (MGH), Boston, haben untersucht, ob ein bildbasiertes Deep-Learning-Risikomodell eine präzisere Stratifizierung ermöglicht als die dichotome Dichtebewertung. Das verwendete Risikomodell Mirai ist eine Entwicklung des MGH und des Massachusetts Institute of Technology.

Methodik der retrospektiven Kohortenstudie

• Daten von 5 Universitätskliniken
• 123.091 Screening-Mammographien 
  (67.019 Frauen in den Jahren 2009-2018, Follow-Up bis 2023)
• Retrospektive Anwendung des DL-Modells auf alle Untersuchungen 
• Das DL-Modell lieferte einen 5-Jahres-Risikoscore
  (niedrig <1,7%, mittel 1,7-3,0%, hoch >3,0%)
• Binäre Klassifikation der Brustdichte: Dicht vs. Nicht-dicht
• Vergleich von DL-Risikoscore und binärer Brustdichte hinsichtlich
  • Zukünftigem Karzinomrisiko (Diagnose innerhalb von 5 Jahren) 
  • Raten falsch-negativer Screening-Befunde (= BI-RADS 1/2 gefolgt von Krebsdiagnose innerhalb eines Jahres)
     

Wesentliche Ergebnisse

Karzinomrisiko

• Das DL-Modell zeigte eine signifikant höhere Genauigkeit für das 5-Jahres-Karzinomrisiko als die Brustdichte (AUROC 0,71 vs. 0,53). 
• Die Hinzunahme der Brustdichte zum DL-Modell brachte keinen Zugewinn (p=0,08).

Risikostratifizierung

• Die Karzinominzidenz stieg mit dem DL-Risikoscore deutlich an (1,0% niedrig, 2,7% intermediär, 6,2% hoch).
• Dagegen war die Karzinominzidenz mit der Dichte deutlich schwächer assoziiert (2,6% nicht-dicht vs. 3,2 % dicht).

Wichtig: Frauen mit nicht-dichtem Brustgewebe, aber hohem DL-Risikoscore hatten eine Karzinominzidenz von 6,0% – diese ist vergleichbar mit der von Frauen mit dichtem Brustgewebe und hohem DL-Risiko (6,4%). 

Umgekehrt hatten Frauen mit dichter Brust, aber niedrigem DL-Risiko eine Karzinominzidenz von nur 1,2%.

Falsch-Negativ-Rate (Masking-Effekt)

• Die Falsch-Negativ-Raten stiegen mit dem DL-Risiko (0,6 >> 1,0 >> 2,1 pro 1.000 Untersuchungen). 
• Die Überlegenheit des DL-Modells zeigte sich konsistent über Karzinom-Subtypen (invasiv/DCIS) und ethnische Subgruppen hinweg. 

Zu den Limitationen der Studie zählen das retrospektive Design, die Einbeziehung nur eines Bildgebungssystems (Hologic) und das Nicht-Einbeziehen der Tomosynthese als Screeningtool.