KI-gestützte Triage verkürzt Wartezeiten bei Brustkrebs-Biopsie drastisch

Forscherinnen und Forscher der University of California San Francisco (UCSF) und der UC Berkeley haben ein KI-basiertes Triage-System entwickelt, das die Wartezeit auf eine diagnostische Auswertung nach einem auffälligen Mammographie-Befund von mehreren Wochen auf durchschnittlich eine Stunde reduziert und damit einen der belastendsten Aspekte der Brustkrebsdiagnostik grundlegend verändert.

Ein neues Kapitel in der Brustkrebsfrüherkennung

Brustkrebs ist weltweit die häufigste Krebserkrankung bei Frauen. Die Frühdiagnose gilt als entscheidender Faktor für die Überlebenschancen. Doch zwischen einem auffälligen Mammographie-Befund und der endgültigen diagnostischen Klärung vergehen in vielen Gesundheitssystemen Wochen, bisweilen Monate.

Genau diese Lücke schließt ein neues KI-Modell namens Mirai, dessen prospektiver klinischer Einsatz am 19. Mai 2026 in der Fachzeitschrift npj Digital Medicine (einer Publikation der Nature-Gruppe) veröffentlicht wurde.

Das KI-Modell Mirai: Funktionsweise und Datenbasis

Entwicklung und Training

Mirai ist ein quelloffenes KI-Modell, das von Adam Yala, PhD, Datenwissenschaftler an der UC Berkeley und Co-Autor der Studie, entwickelt wurde. Das Modell wurde auf der Basis von hunderttausenden Mammographieaufnahmen trainiert, die mit klinischen Krebsverläufen der jeweiligen Patientinnen verknüpft waren.

Das Training befähigt Mirai, subtile Muster in Screening-Mammographien zu erkennen, die für einen menschlichen Radiologen allein schwer zu quantifizieren sind. Es handelt sich dabei ausdrücklich nicht um ein Diagnoseinstrument, sondern um ein Risikoklassifizierungswerkzeug.

Prospektive Validierung

Vor dem klinischen Einsatz analysierten die Forschenden mehr als 114.000 archivierte Mammographieaufnahmen, um sicherzustellen, dass das Modell hinreichend viele Hochrisikopatientinnen erfasst, ohne die Klinik mit zu vielen Eilfällen zu überlasten.

Die Studie: Methodik und zentrale Ergebnisse

Studiendesign und Stichprobe

Die prospektive Implementierungsstudie wurde am Zuckerberg San Francisco General Hospital and Trauma Center durchgeführt, einer öffentlichen Versorgungsklinik, die einen hohen Anteil unterversorgter Patientengruppen betreut. Das Modell wurde auf mehr als 4.100 Screening-Mammographien angewendet.

Mirai identifizierte 525 Frauen als Hochrisikopatientinnen. Das entspricht einem Anteil von 12,7 Prozent der untersuchten Patientinnen.

Workflow-Verbesserung im Überblick

Für die als hochriskant eingestuften Patientinnen wurde ein beschleunigter diagnostischer Workflow eingeführt:

• Sofortige Befundung der Mammographie noch am selben Tag
• Ergänzende diagnostische Bildgebung bei verdächtigen Befunden ebenfalls am selben Tag
• Biopsie bei medizinischer Indikation, in einem Teil der Fälle noch am selben Tag der Erstuntersuchung

Quantitative Ergebnisse

Die Studie dokumentiert folgende Verbesserungen:

• Wartezeit auf diagnostische Auswertung: Reduktion von mehreren Wochen auf durchschnittlich eine Stunde
• Wartezeit auf Biopsie bei bestätigter Krebsdiagnose: Reduktion von mehr als zwei Monaten auf weniger als zehn Tage

Diese Zahlen belegen eine erhebliche Beschleunigung des gesamten diagnostischen Prozesses. Für betroffene Frauen bedeutet das nicht nur weniger psychische Belastung, sondern potenziell auch einen früheren Behandlungsbeginn.

Mirai ersetzt keine Radiologinnen und Radiologen

Ein zentraler Aspekt der Studie ist die klar definierte Rolle des KI-Modells. Mirai stellt keine eigenständigen Diagnosen und ersetzt keine medizinische Fachkompetenz. Das System fungiert ausschließlich als Triage-Instrument, das Ärztinnen und Ärzten dabei hilft, jene Patientinnen zu identifizieren, die von einer beschleunigten Versorgung am meisten profitieren.

„Dies ist ein eindrucksvolles Beispiel dafür, wie KI ein kollaborativer Partner für Ärztinnen und Ärzte sein kann. Es zeigt, wie wir die Versorgung verbessern können, wenn wir Kliniker und Datenwissenschaftler gemeinsam an der Gestaltung dieser Systeme beteiligen.“

— Adam Yala, PhD, UC Berkeley / UCSF Joint Program in Computational Precision Health

Personalisierte Krebsvorsorge als strategisches Ziel

Einheitliche Protokolle versus individuelle Risikoprofile

Bislang folgen die meisten Brustkrebs-Screening-Programme einheitlichen Intervallplänen, die das individuelle Krebsrisiko einer Frau nur begrenzt berücksichtigen. Alter und Familienanamnese sind klassische Risikofaktoren; feinere biologische und bildgebende Marker bleiben bei standardisierten Protokollen jedoch häufig unberücksichtigt.

Das KI-gestützte Risiko-Assessment eröffnet hier eine neue Dimension. Wie Maggie Chung, MD, Erstautorin der Studie und Assistenzprofessorin am UCSF-UC Berkeley Joint Program in Computational Precision Health, erläutert:

„Derzeit folgen viele Frauen demselben Vorsorgeplan, obwohl ihr individuelles Risiko sehr unterschiedlich ist. Die KI-basierte Risikobewertung gibt uns die Möglichkeit, die Frauen zu identifizieren, die am meisten von einer beschleunigten Versorgung profitieren, und ihnen genau das zukommen zu lassen, was sie brauchen.“

Versorgungsgerechtigkeit in einem Safety-Net-Krankenhaus

Die Durchführung der Studie in einer öffentlichen Klinik mit einem hohen Anteil sozioökonomisch benachteiligter Patientinnen ist kein Zufall. Gerade in solchen Einrichtungen sind die Wartezeiten besonders lang und die Konsequenzen diagnostischer Verzögerungen besonders gravierend. Die Integration von KI-Triage in den klinischen Ablauf eines Safety-Net-Hospitals zeigt, dass diese Technologie nicht nur in gut ausgestatteten Privatkliniken funktioniert.

Einordnung in den breiteren Forschungskontext

Mammographie-Screening und diagnostische Lücken

Laut Daten des Robert Koch-Instituts erkranken in Deutschland jährlich rund 70.000 Frauen neu an Brustkrebs. Das gesetzliche Mammographie-Screening-Programm richtet sich an Frauen im Alter von 50 bis 69 Jahren. Nach einem auffälligen Befund kann die Wartezeit bis zur Abklärungsdiagnostik je nach Region und Versorgungslage erheblich variieren.

Internationale Studien belegen, dass diagnostische Verzögerungen von mehr als 60 Tagen zwischen Erstbefund und Biopsie mit einer Verschlechterung der Prognose assoziiert sein können, insbesondere bei aggressiveren Tumorbiologien.

KI in der radiologischen Diagnostik: Stand der Forschung

Die Nutzung von KI-Modellen in der Mammographie-Auswertung ist kein völlig neues Feld. Frühere Studien haben gezeigt, dass KI-Systeme bei der Detektion von Läsionen eine Sensitivität vergleichbar mit erfahrenen Radiologinnen und Radiologen erreichen können. Die vorliegende Arbeit geht jedoch einen entscheidenden Schritt weiter: Sie demonstriert den prospektiven, klinisch integrierten Einsatz eines Triage-Modells in einem realen Versorgungskontext, nicht nur in einer retrospektiven Validierungsstudie.

Nächste Schritte und Ausblick

Die Forschungsgruppe um Chung und Yala plant, das Modell auf weitere Einrichtungen auszuweiten und dabei verschiedene Patientenpopulationen und Gesundheitssysteme einzubeziehen. Ein zentrales Ziel ist die Überprüfung der Übertragbarkeit auf Systeme mit anderen Ressourcenstrukturen und Bevölkerungsgruppen.

Darüber hinaus wollen die Wissenschaftlerinnen und Wissenschaftler untersuchen, ob ein KI-gestütztes Risiko-Assessment langfristig dazu beitragen kann, Screening-Intervalle individuell anzupassen und damit sowohl Überdiagnosen als auch diagnostische Lücken zu reduzieren.

Dieser Beitrag beschäftigt sich mit einem medizinischen Thema, einem Gesundheitsthema oder einem oder mehreren Krankheitsbildern. Dieser Artikel dient nicht der Selbst-Diagnose und ersetzt auch keine Diagnose durch einen Arzt oder Facharzt. Bitte lesen und beachten Sie hier auch den Hinweis zu Gesundheitsthemen!

Häufig gestellte Fragen (FAQs)

Was ist das KI-Modell Mirai und wer hat es entwickelt? Mirai ist ein quelloffenes KI-Modell, das von Adam Yala, PhD, an der UC Berkeley entwickelt wurde. Es wurde auf hunderttausenden Mammographieaufnahmen trainiert und ist darauf ausgelegt, das individuelle Brustkrebsrisiko einer Frau anhand von Screening-Mammographien zu schätzen.

Ersetzt Mirai die Arbeit von Radiologinnen und Radiologen? Nein. Mirai ist ausschließlich ein Triage-Werkzeug. Es stellt keine eigenständigen Diagnosen, sondern unterstützt Ärztinnen und Ärzte dabei, Hochrisikopatientinnen für eine beschleunigte Diagnostik zu identifizieren. Die medizinische Entscheidung verbleibt beim klinischen Fachpersonal.

Wie stark wurde die Wartezeit auf eine Biopsie verkürzt? Laut der in npj Digital Medicine veröffentlichten Studie sank die durchschnittliche Wartezeit auf eine Biopsie bei Patientinnen mit bestätigter Krebsdiagnose von mehr als zwei Monaten auf weniger als zehn Tage.

Wie hoch ist der Anteil der Patientinnen, die als hochriskant eingestuft wurden? In der prospektiven Studie am Zuckerberg San Francisco General Hospital identifizierte Mirai 525 von 4.100 untersuchten Frauen als hochriskant. Das entspricht einem Anteil von 12,7 Prozent.

Ist Mirai auch für andere Krebsarten oder Screeningprogramme geeignet? Die vorliegende Studie konzentriert sich ausschließlich auf das Brustkrebs-Screening mittels Mammographie. Ob das zugrundeliegende Modellprinzip auf andere Krebsarten oder Bildgebungsmodalitäten übertragbar ist, ist Gegenstand laufender und künftiger Forschung.

Welche Bedeutung hat der Einsatz in einem Safety-Net-Hospital? Safety-Net-Krankenhäuser versorgen überproportional häufig Patientinnen mit niedrigem Einkommen, ohne Versicherungsschutz oder mit eingeschränktem Zugang zu Gesundheitsleistungen. Der erfolgreiche Einsatz von Mirai in diesem Kontext zeigt, dass KI-Triage auch unter schwierigen Ressourcenbedingungen funktionieren und Versorgungsungleichheiten potenziell verringern kann.

Wird Mirai in Europa oder Deutschland eingesetzt? Derzeit liegen keine publizierten Daten zu einem klinischen Einsatz von Mirai in Deutschland oder anderen europäischen Ländern vor. Eine Übertragung würde eine Validierung an lokalen Datensätzen sowie regulatorische Zulassungsprüfungen erfordern.

Quellen

Chung, M., Yala, A., et al. (2026). Prospective deployment of AI-based risk stratification to enable expedited mammography workflow in a safety-net setting. npj Digital Medicine. https://doi.org/10.1038/s41746-026-02743-x

University of California San Francisco. (2026, June 2). New AI tool cuts breast cancer biopsy wait times. News-Medical.net. https://www.news-medical.net/news/20260602/New-AI-tool-cuts-breast-cancer-biopsy-wait-times.aspx

Robert Koch-Institut. (2023). Krebs in Deutschland für 2019/2020. Gesellschaft der epidemiologischen Krebsregister in Deutschland e.V. und das Zentrum für Krebsregisterdaten im RKI. https://www.krebsdaten.de

Yala, A., Lehman, C., Schuster, T., Portnoi, T., & Barzilay, R. (2019). A deep learning mammography-based model for improved breast cancer risk prediction. Radiology, 292(1), 60–66. https://doi.org/10.1148/radiol.2019182716

McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577, 89–94. https://doi.org/10.1038/s41586-019-1799-6

Bleyer, A., & Welch, H. G. (2012). Effect of three decades of screening mammography on breast-cancer incidence. New England Journal of Medicine, 367(21), 1998–2005. https://doi.org/10.1056/NEJMoa1206809