15 bis 20 Prozent der Brustkrebsfälle haben genetische Ursachen. Frauen, bei denen gewisse Mutationen nachgewiesen werden, haben ein 20-fach erhöhtes Risiko im Laufe ihres Lebens Brustkrebs zu entwickeln. Das Ziel der ForscherInnen um Langs ist es, Computerprogramme so zu trainieren, dass sie subtile Veränderungen des Gewebes besser erkennen und auch beurteilen können. Dafür entwickelt er unter anderem Algorithmen, die bei der Einschätzung helfen sollen, ob sich aus Anomalien im Gewebe, die im MRT sichtbar werden, Brustkrebs entwickeln könnte. Damit würde eine individualisierte Risikoabschätzung möglich werden.
In einer weiteren Forschungsfrage soll geklärt werden, ob Risikofaktoren wie genetische und klinische Informationen, aber auch Sterblichkeitsdaten mit den Risikoscores aus dem MRT-Bild verknüpft werden können. Damit könnten in Zukunft die Intervalle der Vorsorgeuntersuchung an das individuelle Risikoprofil der Brustkrebspatientinnen angepasst werden.
Last but not least sollen Machine-learning Methoden soweit verbessert werden, dass Läsionen, also Veränderungen im Gewebe, besser klassifiziert und bösartige Veränderungen treffsicher als solche erkannt werden. Langs: „Damit könnten Biopsien gezielter eingesetzt werden, was wesentlich für die Lebensqualität der Betroffenen ist, aber auch das Gesundheitssystem entlastet würde.“
CCC-Forschungsförderung: Maschinelles Lernen könnte Risikoabschätzung beim Brustkrebsscreening verbessern
Die Magnetresonanztomographie hat sich als sensitivste Methode für das Brustkrebsscreening bei Hochrisikopatientinnen etabliert. Eine verbleibende Anzahl falsch positiver Befunde, aber auch die eingeschränkte Verfügbarkeit von MRT-Einheiten oder die Abhängigkeit von der Expertise der befundenen ÄrztInnen machen deutlich, dass es bei der Befundung der Bilder noch Raum für Verbesserungen gibt. Georg Langs, Universitätsklinik für Radiologie und Nuklearmedizin von MedUni Wien und AKH Wien sowie Mitglied des Comprehensive Cancer Center (CCC) der beiden Einrichtungen, beschäftigt sich im vom CCC geförderten Projekt damit, wie maschinelles Lernen zur Lösung dieser Herausforderungen beitragen kann. Dafür entwickeln sein Team und er Algorithmen, die künftig für die individuelle Risikoabschätzung von Hochrisikopatientinnen aber auch zur Vermeidung unnötiger Biopsien herangezogen werden könnten.