Brustkrebs-KI zeigt eigene Zweifel – Laborstudie

Fragt man ein KI-Modell nach einer Mammografie, liefert es eine Diagnose. Es sagt aber nicht, wie sehr man dieser konkreten Antwort trauen kann. Ein Team der Universität von Pittsburgh hat ein Modell entwickelt, das genau das tut: ein tiefes neuronales Netz, kurz DNN, das jeder Patientin eine Diagnose zusammen mit einem Unsicherheitswert liefert. Die Arbeit wurde auf der Jahrestagung der Society of Photo-Optical Instrumentation Engineers (SPIE) im Februar 2026 in Vancouver, Kanada, vorgestellt.

DNN lernen aus Trainingsdatensätzen, in denen Menschen die richtigen Antworten markiert haben. Sie werden darin sehr gut darin, die wahrscheinliche Antwort für eine Patientengruppe vorherzusagen, teils nahezu in allen Fällen. Deutlich schwächer sind sie darin, zu beurteilen, wie verlässlich eine Diagnose für einen einzelnen Menschen ist. Bei einer lebensbedrohlichen Krankheit, so das Team, seien selbst wenige falsche Diagnosen für die betroffenen Patienten verheerend. Die Methode des Teams, die es gewichtetes Lernen unter Unsicherheit (UWL) nennt, fließt den Unsicherheitswert direkt in das Training ein, sodass das Modell lernt, unsichere Fälle sorgfältiger zu behandeln.

Das eigentliche Hindernis war die Rechenleistung. Mammografien sind große, hochauflösende Bilder, und Grafikprozessoren (GPUs), auf denen DNN am besten laufen, brauchen großen gemeinsamen Speicher, um jedes Bild ohne ständige Zugriffe auf den Massenspeicher zu verarbeiten. Jiren Li, Doktorand, erhielt über ACCESS Rechenzeit auf Bridges-2, dem Supercomputer des PSC. ACCESS ist ein Netzwerk von Supercomputing-Standorten, das von der US-Wissenschaftsstiftung National Science Foundation (NSF) betrieben wird. Bridges-2 bot 47 GPU-Knoten mit 384 aktuellen GPUs, und jeder Knoten verfügt über 128 bis 2.000 Gigabyte Arbeitsspeicher, verglichen mit 64 GB in einem High-End-Laptop. Das Speichersystem Ocean fasst 15 Petabyte nutzbare Daten.

Die erste Analyse, in der mehrere UWL-basierte DNN verglichen wurden, fiel ermutigend aus. Eines davon lieferte gute Schätzungen seiner eigenen Unsicherheit und signalisierte Ärzten und Patienten, wenn eine Diagnose für einen bestimmten Patienten weniger verlässlich sein könnte. Dabei verlor es nicht an Genauigkeit über die Patientengruppe insgesamt. Die Berichterstattung nennt keine Genauigkeitswerte für das Modell, und das Team bezeichnet dies als erste Analyse, nicht als klinische Validierung.

Für Radiologen wäre der Gewinn ein zweites Signal neben jeder Antwort, das zeigt, welche Fälle einen genaueren Blick verdienen. Für Patienten wäre es eine Warnung, wenn eine Diagnose für sie persönlich weniger verlässlich ist. Das Team sagt, derselbe Ansatz könne auch für andere kritische KI-Anwendungen gelten, über Brustkrebs hinaus. Einen Zeitplan für den klinischen Einsatz nennt es nicht, das Modell befindet sich noch im Forschungsstadium.