Ein Forschungsteam der New York University hat einen KI-gestützten Test entwickelt, der das Rückfallrisiko von Brustkrebs innerhalb von Stunden und nicht Wochen vorhersagt. Die Ergebnisse wurden in der Fachzeitschrift Nature Communications veröffentlicht. Der Ansatz kombiniert selbstüberwachtes Lernen mit der Analyse routinemäßig angefertigter Pathologiebilder und klinischer Basisdaten, um eine schnelle, kostengünstige Alternative zu herkömmlichen Genomtests zu bieten. Bisherige Diagnostik stützt sich auf aufwändige Genomtests, die mehrere Wochen dauern und teure Gewebeproben unwiederbringlich verbrauchen. Der neue Algorithmus nutzt stattdessen bereits vorhandene Gewebeschnitte auf Objektträgern. Durch eine selbstüberwachte Vorschaulernphase erwarb das System umfassende visuelle Repräsentationen, was Co-Autor Yann LeCun als Grundlage für eine robuste Generalisierbarkeit auf andere medizinische Fragestellungen hervorhebt. Die Integration zusätzlicher Parameter wie Tumorstadium, Patientinnenalter und Hormonrezeptorstatus vervollständigt das Modell. Die Evaluierung umfasste Daten von über 3.500 Patientinnen aus fünfzehn Kohorten in sieben Ländern. Statistische Kennzahlen bestätigten, dass der KI-Test Hoch- und Niedrigrisikopatientinnen zuverlässig unterscheidet. Dabei zeigte das System insbesondere bei den aggressiven Subtypen Triple-Negativ und HER2-positiv starke Leistungen, für die bislang keine verlässlichen Genomtests verfügbar sind. In direkten Vergleichen entsprach die Vorhersagegenauigkeit oder übertraf sie etablierte kommerzielle Assays. Krzysztof J. Geras, Hauptautor und leitender Wissenschaftler des Unternehmens Ataraxis AI, betonte die klinische Relevanz: Die Auswertung existierender Präparate reduziert die Wartezeit deutlich und senkt die Kosten. Gleichzeitig bleibt wertvolles Gewebe für etwaige Folgeuntersuchungen erhalten. Die Forschung unterstreicht, dass personalisierte Therapieentscheidungen bei heterogenen Tumorerkrankungen durch datengetriebene Werkzeuge präziser gesteuert werden können. Trotz der vielversprechenden Ergebnisse weisen die Wissenschaftler darauf hin, dass abschließende randomisierte klinische Studien notwendig sind, um die Integration in die routinemäßige Versorgung zu validieren. Der Ansatz markiert einen signifikanten Fortschritt in der computergestützten Pathologie und könnte die Onkologie nachhaltig verändern, indem er diagnostische Lücken schließt und Behandlungsprotokolle beschleunigt. Die zugrunde liegende KI-Architektur zeigt Potenzial für Erweiterungen in weiteren medizinischen Fachbereichen.