Prospektive Bewertung der Integration künstlicher Intelligenz in das Brustkrebs-Screening in verschiedenen Arbeitsabläufen: die GEMINI-Studie

Warum das für Frauen und Kliniken wichtig ist

Brustkrebs-Screenings retten Leben, stellen aber auch hohe Anforderungen an Fachärzte und können bei unnötigen Nachuntersuchungen Angst auslösen. Diese Studie, durchgeführt in einem realen Programm des National Health Service (NHS) in Schottland, stellte eine praktische Frage: Kann künstliche Intelligenz (KI) Ärzten helfen, mehr Krebsfälle zu entdecken und gleichzeitig Rückrufe und Arbeitsaufwand in Grenzen zu halten? Statt nur eine einzelne Konfiguration zu prüfen, untersuchten die Forscher viele verschiedene Wege, KI in den Alltag des Screenings einzubinden und bieten so einen Fahrplan für Kliniken mit unterschiedlichen Belastungen und Prioritäten.

Wie das Brustkrebs-Screening heute funktioniert

Im Vereinigten Königreich werden Frauen im Alter von 50 bis 71 alle drei Jahre zur Mammographie eingeladen. Jede Mammographie wird unabhängig von zwei ausgebildeten menschlichen Befundern gelesen. Stimmen sie nicht überein, trifft ein dritter Experte die endgültige Entscheidung. Dieser "Doppelbefund" erhöht die Sicherheit, erfordert aber auch große Mengen an Fachzeit. Gleichzeitig sehen sich Gesundheitssysteme mit einer wachsenden Zahl von Frauen, die zur Vorsorge kommen, und einem Mangel an Radiologen konfrontiert. Ein neues Werkzeug muss deshalb mehr leisten als nur Krebs zu erkennen: Es muss sich in das bestehende System einfügen und helfen, die begrenzte Zeit des Personals zu managen.

Was die GEMINI-Studie zu testen beabsichtigte

Die GEMINI-Studie begleitete 10.889 Frauen, die 2023 an einer Routineuntersuchung in einer Region des Vereinigten Königreichs teilnahmen. Alle erhielten die Standardversorgung: Ihre Mammographien wurden von zwei menschlichen Experten gelesen, bei Bedarf mit Schiedsentscheid. Im Hintergrund analysierte ein kommerzielles KI-System namens Mia ebenfalls die Bilder und speicherte seine Einschätzung stillschweigend. Das Forschungsteam verfolgte dann zwei Hauptideen. Erstens testeten sie KI als „zusätzliches Sicherheitsnetz“: Wenn die KI einen Rückruf vorschlug, das Screening-Team aber nicht, wurden die Bilder zur zusätzlichen menschlichen Begutachtung weitergeleitet. Zweitens nutzten sie die gespeicherten KI-Ergebnisse, um verschiedene „Triage“-Szenarien zu simulieren, in denen die KI gelegentlich als Ersatz für den zweiten Leser fungieren würde, um Zeit zu sparen. Insgesamt modellierten sie 17 unterschiedliche Arbeitsabläufe, die diese Ansätze kombinierten.

Was geschah, als KI als zusätzlicher Leser fungierte

Wenn die KI der routinemäßigen Entscheidung, nicht zurückzurufen, widersprach, sahen leitende Befunder diese Mammographien erneut an. Von 1.345 solchen Fällen wurden 55 Frauen zur weiteren Abklärung einbestellt, und in 11 Fällen wurden zusätzliche Brustkrebserkrankungen gefunden, die bei diesem Besuch sonst übersehen worden wären. Die meisten davon waren invasive Karzinome, viele relativ klein. Wichtig ist, dass die Nachsicht dieser zusätzlichen Fälle schnell ging: Etwa neun von zehn Fällen wurden in unter einer Minute gelesen, ähnlich schnell oder schneller als ein typischer Mammographie-Befund. Das deutet darauf hin, dass erfahrene Befunder die KI-Hinweise effizient nutzen konnten, wirkliche Auffälligkeiten bestätigten und gleichzeitig harmlose Veränderungen im Vergleich zu früheren Bildern sicher ausschlossen.

Wie Triage mit KI die Last verringern kann

Weiterhin prüfte das Team, wie KI sicher einige der zweiten menschlichen Befunde ersetzen könnte. In "Triage"-Arbeitsabläufen galt eine Übereinstimmung zwischen dem ersten menschlichen Leser und der KI, sodass für diese Fälle kein zweiter Leser nötig war. In "Triage negatives"-Abläufen wurde diese Abkürzung nur genutzt, wenn beide übereinstimmten, dass kein Rückruf erforderlich sei — das vermeidet zusätzliche Nachuntersuchungen, spart aber trotzdem Arbeitszeit. Abhängig von den für die KI gewählten Entscheidungsgrenzen konnten diese simulierten Strategien den gesamten Befundungsaufwand um etwa ein Drittel bis nahezu die Hälfte reduzieren. Einige Varianten verringerten leicht die Anzahl entdeckter Krebsfälle, andere bewahrten die Krebsdetektion und reduzierten sogar den Anteil der zur weiteren Abklärung einbestellten Frauen.

Die beste Balance für jede Klinik finden

Der bevorzugte Arbeitsablauf der Autoren kombinierte ein "Triage negatives"-Setup mit der Rolle der KI als zusätzlichem Leser. In dieser Konfiguration wurden alle durch das routinemäßige Screening gefundenen Krebsfälle weiterhin entdeckt, zusätzlich die 11 weiteren von der KI hervorgehobenen Krebsfälle. Das erhöhte die Krebsentdeckungsrate um etwa 10 Prozent — ungefähr ein zusätzlicher Krebs pro 1.000 untersuchter Frauen — während die Rückrufquote im Wesentlichen unverändert blieb und der menschliche Befundungsaufwand um bis zu 31 Prozent sank. Andere getestete Arbeitsabläufe boten unterschiedliche Kompromisse, etwa größere Einsparungen beim Aufwand und weniger Fehlalarme, gingen dabei jedoch mit dem Risiko einher, eine kleine Anzahl von Krebsfällen zu übersehen, die der primäre Ablauf gefunden hätte.

Was das für die Zukunft des Brustkrebs-Screenings bedeutet

Für Nicht-Spezialisten lautet die Kernbotschaft: KI ist nicht dabei, Ärzte im Brustkrebs-Screening zu ersetzen, kann aber als flexibler Assistent dienen. In dieser realen Bewertung half ein KI-System, wenn es vorsichtig eingesetzt wurde, mehr Krebsfälle zu finden, ohne die Zahl der Rückrufe zu erhöhen, und gleichzeitig einen beachtlichen Teil der Expertenbefundungszeit freizusetzen. Weil die Studie viele mögliche Konfigurationen untersuchte, können Gesundheitsdienste die für ihre Bedürfnisse passende Lösung wählen — sei es die Maximierung der Krebsentdeckung, die Minimierung unnötiger Rückrufe oder die Entlastung von Personalengpässen. Weitere Untersuchungen in anderen Regionen, mit unterschiedlichen KI-Tools und längerer Nachbeobachtung sind nötig, aber diese Studie zeigt, dass durchdacht integrierte KI das Brustkrebs-Screening sowohl präziser als auch nachhaltiger machen könnte.

Zitation: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

Schlüsselwörter: Brustkrebs-Screening, künstliche Intelligenz, Mammographie, Radiologie-Arbeitsaufwand, Krebsdetektion