Neues Modell nutzt Mammographien zur Risikovorhersage trotz fehlender Historie

Brustkrebs bleibt weltweit eine der häufigsten Todesursachen. Um die Vorhersage des Krebsrisikos über mehrere Jahre hinweg zu verbessern, setzen moderne Modelle auf die Analyse von Langzeit-Mammographie‑Daten. In der Praxis sind diese historischen Aufnahmen jedoch häufig unvollständig, unregelmäßig oder gar nicht vorhanden, weil Patienten Screening‑Untersuchungen verpassen, Erstuntersuchungen durchführen oder die Bildgebung in unterschiedlichen Zeitabständen erfolgt.

Das neue Verfahren, das im Preprint „Privileged History Distillation“ (PHD) vorgestellt wird, löst dieses Problem, indem es die fehlende Historie beim Einsatz des Modells kompensiert. Während des Trainings wird die komplette Langzeit‑Historie als „privilegierte“ Information genutzt, um mehrere Lehrermodelle zu trainieren, die jeweils auf einen bestimmten Vorhersagezeitraum spezialisiert sind. Das eigentliche Einsatzmodell – der Student – erhält lediglich die aktuelle Mammographie und ein rekonstruiertes Historienprofil, das aus dieser Aufnahme abgeleitet wird.

Durch diese „privilegierte Multi‑Teacher‑Distillation“ kann der Student die wertvollen, zeitabhängigen Risikokennzeichen erlernen, ohne dass echte Vorgängeruntersuchungen erforderlich sind. In umfangreichen Tests auf dem großen Langzeit‑Mammographie‑Datensatz CSAW‑CC zeigte PHD eine signifikante Verbesserung der Mehrjahres‑Risikovorhersage im Vergleich zu Modellen, die ausschließlich die aktuelle Aufnahme nutzen. Damit eröffnet das Verfahren einen praktikablen Weg, die Vorteile von Langzeit‑Daten in der klinischen Praxis zu nutzen, auch wenn die Historie nicht vorliegt.