Ein interpretierbares KI-System reduziert falsch-positive MRT-Diagnosen, indem es hochrisikoreiche Brustläsionen stratifiziert

Intelligentere Aufnahmen, weniger unnötige Eingriffe

Die Brust-MRT gehört zu den besten Methoden, um Krebs früh zu erkennen, insbesondere bei Frauen mit hohem Risiko. Gleichzeitig nimmt sie oft „zu viel wahr“ und markiert viele harmlose Befunde als verdächtig. Diese Graubereichsbefunde führen zu Ängsten, zusätzlichen Untersuchungen und schmerzhaften Biopsien, die sich letztlich als gutartig erweisen. Diese Studie stellt ein neues System der künstlichen Intelligenz (KI) vor, das Brust-MRTs zusammen mit Radiologen auswertet und dabei hilft, wirklich gefährliche Läsionen von solchen zu unterscheiden, die sicher beobachtet werden können. Ziel ist es, Krebs zu erfassen, ohne so viele Frauen in die Biopsie-Schleife zu schicken.

Das Problem unsicherer Brust-MRT-Befunde

Bei der Befundung einer Brust-MRT kennzeichnen Radiologen verdächtige Bereiche mit einer Skala namens BI-RADS. Kategorie 4 ist dabei am problematischsten: Sie umfasst Läsionen mit einer Krebswahrscheinlichkeit von etwa 2 % bis 95 %. Da dieser Bereich so breit ist, lautet die heutige Faustregel, nahezu alle Befunde dieser Kategorie zu biopsieren. Infolgedessen unterziehen sich viele Frauen invasiven Eingriffen für Läsionen, die sich als gutartig erweisen. Hinzu kommt, dass die MRT-Interpretation subjektiv ist. Unterschiedliche Radiologen — insbesondere weniger erfahrene — können dieselbe Aufnahme unterschiedlich bewerten, dabei gutartige Befunde überbewerten oder subtile Krebserkrankungen übersehen. Die Autoren wollten ein Werkzeug entwickeln, das diese Unsicherheit reduziert und zugleich in den klinischen Alltag passt.

Ein KI-Partner, trainiert an tausenden Aufnahmen

Die Forschenden entwickelten das BI-RADS-4-Läsions-Analysesystem, kurz BL4AS, ein KI-Modell, das speziell für diese hochriskanten, aber uneindeutigen MRT-Befunde konzipiert wurde. Anders als frühere Systeme, die auf einer einzelnen Aufnahme basierten, betrachtet BL4AS mehrere Zeitpunkte nach Injektion eines Kontrastmittels und verfolgt, wie jede Läsion aufleuchtet und wieder abklingt. Diese zeitlichen Muster liefern wichtige Hinweise darauf, ob Gewebe eher gut- oder bösartig ist. Das Team pre-trainierte zunächst ein großes „Foundation Model“ an mehr als 17.000 MRT-Volumina, um allgemeine Bildmerkmale zu erlernen, und feinabgestimmt wurde das Modell an 2.803 BI-RADS-4-Läsionen von 2.686 Frauen aus drei medizinischen Zentren. Das System umreißt die Läsion und klassifiziert sie gleichzeitig als niedrig- oder hochriskant und gibt eine Wahrscheinlichkeit für das Vorliegen von Krebs an.

Bessere Leistung als menschliche Leser in echten Kliniken

Um die Leistungsfähigkeit von BL4AS außerhalb des Labors zu testen, wählten die Autoren unabhängige Datensätze aus anderen Krankenhäusern sowie eine frisch prospektiv erhobene Patientengruppe. In diesen Settings zeigte die KI eine hohe Genauigkeit und, entscheidend, eine deutlich höhere Spezifität als Radiologen — das heißt, sie erkannte gutartige Läsionen besser und vermied Fehlalarme. In einer prospektiven Reader-Studie werteten acht Radiologen Fälle zunächst eigenständig und lasen sie anschließend mit Unterstützung von BL4AS erneut. Mit KI-Unterstützung stieg ihre diagnostische Genauigkeit, die Rate falsch-positiver Befunde sank um mehr als ein Viertel, und die Übereinstimmung zwischen den Lesern verbesserte sich deutlich. Besonders Junior-Radiologen profitierten: Ihre Leistung kam mit Unterstützung des Systems nahezu an die ihrer erfahreneren Kolleginnen und Kollegen heran.

KI-Entscheidungen transparent und handhabbar machen

Da Kliniker zu Recht vorsichtig gegenüber „Black-Box“-KI sind, integrierte das Team visuelle Erklärungen. BL4AS erzeugt Heatmaps, die hervorheben, welche Bereiche einer Läsion die Entscheidung beeinflusst haben, und fokussiert häufig auf unregelmäßige Formen, scharfe Ränder und ungewöhnliche Kontrastierungs-Muster, die Radiologen bereits mit Krebs assoziieren. Das System geht außerdem über eine einfache Ja/Nein-Krebsvorhersage hinaus, indem es Läsionen in die BI-RADS-Subgruppen 4A, 4B und 4C einteilt, die unterschiedliches Risiko widerspiegeln. In externen Testsets stimmten diese KI-definierten Unterkategorien gut mit den tatsächlichen Krebsraten überein und leisteten bessere Arbeit als Radiologen sowohl bei der Identifikation von Niedrigrisiko-Läsionen, die eventuell ohne Biopsie beobachtet werden könnten, als auch bei der Erkennung von Hochrisiko-Läsionen, die rasches Vorgehen erfordern.

Was das für Patientinnen bedeuten könnte

Insgesamt legt die Studie nahe, dass ein interpretierbarer KI-Assistent wie BL4AS Radiologen dabei helfen kann, Brust-MRTs konsistenter zu bewerten, unnötige Biopsien zu reduzieren und gleichzeitig eine sehr hohe Sicherheit gegenüber verpassten Krebserkrankungen zu bewahren. Indem das System die volle Informationsfülle zeitaufgelöster MRT-Daten nutzt und seine Entscheidungsgrundlagen in einer für Menschen verständlichen Weise darstellt, bietet es einen praktischen Weg hin zu stärker personalisierter Brustkrebsversorgung: Frauen mit wirklich besorgniserregenden Läsionen können schneller behandelt werden, während diejenigen mit Niedrigrisiko-Befunden invasive Eingriffe vermeiden und stattdessen engmaschig beobachtet werden können.

Zitation: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

Schlüsselwörter: Brust-MRT, künstliche Intelligenz, Krebsdiagnose, medizinische Bildgebung, Risikostratifizierung