Ein Foundation-Modell für Brust- und Lungenkrebs-Screening mit nicht-kontrastverstärkter Computertomographie

Warum ein Scan für zwei Krebsarten wichtig ist

Krebs-Screening läuft meist wie eine Reihe separater Untersuchungen: ein Test für die Lungen, ein anderer für die Brust — jede Untersuchung verursacht zusätzlichen Aufwand, Kosten und Strahlung. Diese Studie untersucht eine andere Idee: ob ein einziger, weit verbreiteter Brustkorb-Scan mit Hilfe künstlicher Intelligenz (KI) gleichzeitig stillschweigend auf Lungen- und Brustkrebs prüfen könnte. Gelingt das, könnte ein solches Vorgehen Routine-Scans in ein zweifaches Sicherheitsnetz verwandeln, besonders in viel beschäftigten Kliniken und Regionen mit begrenzten Ressourcen.

Ein neuer digitaler Krebsaufspürer

Die Forschenden entwickelten ein KI-System namens OMAFound, das lernt, dreidimensionale Brustkorb-CTs zu „lesen“. Anders als traditionelle Werkzeuge, die eng auf ein Organ trainiert sind, studiert dieses System zunächst mehr als 200.000 unlabeled Scans von über 58.000 Personen, um allgemein zu lernen, wie gesunde und erkrankte Brustkörbe aussehen. Dieses breite Vortraining ermöglicht es der KI, subtile Muster über den gesamten Brustkorb hinweg zu erkennen. Anschließend nutzt das Team kleinere, gelabelte Datensätze, die angeben, ob bei den Patientinnen und Patienten später Brustkrebs, Lungenkrebs oder nichts von beidem festgestellt wurde, und bringt dem Modell so bei, sein allgemeines Bildverständnis in konkrete Krebsprognosen umzusetzen.

Einem System beibringen, zwei Organe zu überwachen

Auf die gemeinsame Bildlese-Basis aufbauend, entwickelte das Team zwei fokussierte Zweige: einen auf Zeichen von Brustkrebs und einen auf Zeichen von Lungenkrebs. Sie trainierten und testeten diese Zweige an CT-Scans von mehr als 150.000 Patienten aus mehreren chinesischen Krankenhäusern und internationalen Datensätzen. Für Brustkrebs bauten sie außerdem ein separates KI-System, das Mammografien liest — den aktuellen Standard im Screening — um CT-basierte KI fair mit der etablierten Praxis bei denselben Frauen zu vergleichen. In Direktvergleichen bei Frauen, die beide Bildarten hatten, war die Mammografie-KI insgesamt etwas treffsicherer, aber der CT-basierte Brustzweig war empfindlicher — er erfasste mehr Krebserkrankungen — während die Mammografie besser darin war, Fehlalarme zu vermeiden.

Von Organbefunden zu Patienten-Gesamtergebnissen

Die Betrachtung jedes Organs isoliert kann irreführend sein: Wenn beide Zweige „möglicher Krebs“ melden, könnte die Kombination unrealistischerweise zwei separate Tumoren bei derselben Person suggerieren. Um das zu vermeiden, schufen die Forschenden ein drittes KI-Modul, das Informationen aus den Brust- und Lungenansichten desselben CT-Scans zusammenführt und entscheidet, ob die Patientin oder der Patient insgesamt wahrscheinlich Krebs hat. Diese Patienten-Ebene orientiert sich an der klinischen Realität, in der Menschen, falls überhaupt, viel häufiger nur einen einzelnen Krebs haben. Unter den Frauen in den Testgruppen bot diese kombinierte Strategie das beste Gleichgewicht — hohe Sensitivität für vorhandene Krebserkrankungen bei gleichzeitig kontrollierten falsch-positiven Befunden — und übertraf einfache mathematische Verfahren zur Zusammenführung der Organ-Level-Ausgaben.

Prüfung des Systems im realen Screening-Betrieb

Um zu sehen, wie OMAFound außerhalb des Labors funktioniert, führten die Forschenden eine prospektive Studie in vier medizinischen Zentren durch und begleiteten mehr als 21.000 Personen, die zu einem niedrigdosis-Brustkorb-CT-Screening kamen. Bei Männern, für die nur Lungenkrebs relevant ist, balancierte das System Erkennung von Krebs und Fehlalarme in etwa 86 % der Fälle korrekt aus. Bei Frauen erreichte es ausgeglichene Genauigkeiten von etwa 82 % für Brustkrebs, 88 % für Lungenkrebs und 83 % bei der Entscheidung, ob eine Frau generell irgendeinen Krebs hat. Die Forschenden baten außerdem sieben allgemein tätige Radiologinnen und Radiologen, eine herausfordernde Stichprobe von Scans zuerst allein und dann mit OMAFound‑Risikowerte und Heatmaps, die auffällige Bereiche hervorhoben, zu lesen. Mit KI-Unterstützung stieg die Fähigkeit der Radiologinnen und Radiologen, Krebs zu entdecken, deutlich — insbesondere bei Brusttumoren — während ihre Neigung, Nicht-Krebs-Fälle zu überinterpretieren, nicht zunahm.

Was das für die tägliche Versorgung bedeuten könnte

Insgesamt legt die Studie nahe, dass ein einzelnes niedrigdosis-Brustkorb-CT, das bereits weit verbreitet zur Lungenuntersuchung eingesetzt wird, in Kombination mit einem leistungsfähigen KI-System auch eine zusätzliche Ebene der Brustkrebsfrüherkennung bieten könnte. OMAFound ersetzt nicht die Mammografie oder fachliche Urteilskraft, kann aber Risikopersonen früher markieren und überlasteten Klinikerinnen und Klinikern helfen, ihre Aufmerksamkeit dort zu bündeln, wo sie am dringendsten gebraucht wird. Indem ein geläufiger Scan zu einem Multikrebs-Wächter gemacht wird, zeigt der Ansatz auf Screening‑Programme, die effizienter, zugänglicher und potenziell lebensrettender sind, ohne zusätzliche Tests, Kosten oder Strahlenbelastung hinzuzufügen.

Zitation: Liang, Z., Niu, Q., Wang, J. et al. A foundation model for breast and lung cancer screening using non-contrast computed tomography. Nat. Health 1, 403–415 (2026). https://doi.org/10.1038/s44360-026-00055-8

Schlüsselwörter: multikrebs-screening, niedrigdosis-CT, Brustkrebs, Lungenkrebs, medizinische KI