MÜNCHEN / LONDON (IT BOLTWISE) – Auf dem ESC-Kongress in München wurde eine KI-gestützte Methode vorgestellt, die aus normalen Mammografien Hinweise auf schwerwiegende Herzerkrankungen ableiten kann. Das retrospektive Modell analysierte dafür 97.364 Aufnahmen von 29.921 Frauen aus einer Untersuchung der Universität Tel Aviv. Für die Erkennung von Schlaganfällen lag die Zuverlässigkeit laut AUROC bei 0,86. Die Ergebnisse deuten darauf hin, dass Mammografie künftig als duales Screening für Krebs und kardiovaskuläre Risiken funktionieren könnte.
Die Vorstellung, Mammografien künftig nicht nur für Brustkrebs, sondern auch für kardiovaskuläre Risiken zu nutzen, trifft einen praktischen Nerv in der Präventionsmedizin. Denn das Screening ist in vielen Ländern bereits etabliert, weshalb zusätzliche Untersuchungen und organisatorische Umstellungen zunächst gering gehalten werden könnten. Genau an dieser Schnittstelle setzt ein KI-Modell an, das Ende August 2026 auf dem Kongress der European Society of Cardiology (ESC) in München vorgestellt wurde: Es soll aus herkömmlichen Mammografien Anzeichen für schwerwiegende Herzerkrankungen ableiten. Damit rückt ein Szenario näher, in dem Radiologie und Kardiologie nicht erst nach auffälligen Befunden zusammenarbeiten, sondern Risiken frühzeitig aus derselben Bildgebung heraus sichtbar machen.
Technisch basiert das Vorhaben auf einem Deep-Learning-Ansatz, der in einer retrospektiven Studie trainiert und bewertet wurde. Die Daten kamen aus einem Datensatz der Universität Tel Aviv und umfassten insgesamt 97.364 Mammografien von 29.921 Frauen. Das mittlere Alter der Patientinnen lag bei 54 Jahren, als Median werden ebenfalls 54 Jahre genannt. Ziel war es, Muster in den Aufnahmen zu erkennen, die über die reine Krebsdetektion hinausgehen, also Rückschlüsse auf den Zustand des Herz-Kreislauf-Systems ermöglichen. Besonders fokussiert wurde dabei auf mammäre Arterienverkalkungen, weil Ablagerungen im Gefäßsystem als allgemeiner Marker für kardiovaskuläres Risiko dienen können. Anders gesagt: Das Modell nutzt nicht einen neuen Bildgebungstyp, sondern sucht im bestehenden Röntgenrepertoire nach physiologischen Signalen, die im Standard-Workflow womöglich untergehen.
Für die medizinische Einordnung ist entscheidend, wie gut das System trennen kann und nach welchem Maßstab die Leistung berichtet wird. Im Bericht wurde dafür der AUROC-Wert (Area Under the Receiver Operating Characteristic) genannt, der die Trennschärfe diagnostischer Verfahren quantifiziert. Bei der Erkennung von Schlaganfällen erreichte das Modell eine Zuverlässigkeit von 86 Prozent, entsprechend AUROC 0,86. Für Bluthochdruck lag die Leistung bei 79 Prozent (AUROC 0,79), während die koronare Herzkrankheit beziehungsweise Herzischämie mit 78 Prozent angegeben wurde (AUROC 0,78). Für viele Anwendungen im klinischen Alltag bedeutet das: Das KI-System liefert keine perfekte „Ja/Nein“-Entscheidung, sondern ordnet Patientinnen wahrscheinlicher Risikokategorien zu. Genau diese probabilistische Information kann im Screening-Kontext wertvoll sein, weil sie zusätzliche Abklärungen priorisiert, ohne dass jede Person automatisch in eine invasive oder zeitintensive Diagnostik überführt werden muss.
Der technische Kern der Potenzialstory liegt in der Art, wie solche Modelle physiologische Informationen aus komplexen Bildmustern extrahieren. Da die Diagnosen auf bereits vorhandenen Bilddaten basieren, ist keine zusätzliche Bildgebung pro Patientin notwendig. Das reduziert die Hürde für eine spätere Integration in bestehende Screening-Programme: Wo Mammografien ohnehin routinemäßig erfolgen, könnte eine KI-Auswertung parallel laufen und zusätzliche Warnhinweise erzeugen. In der praktischen Versorgung würde das außerdem einen anderen Blick auf Labor- und Risikowerte ergänzen. Denn Blutdruck und verwandte Laborparameter werden zwar regelmäßig erhoben, sind aber in der Wahrnehmung häufig weniger stark mit bildbasierten Risikomustern verknüpft. Ein duales Screening kann diese Lücke schließen, indem es aus derselben Untersuchung sowohl onkologische als auch kardiologische Hinweise ableitet. Das ist nicht nur eine Datenfrage, sondern auch eine Prozessfrage: Radiologischer Befundbericht und kardiologische Risikosteuerung müssten so zusammengeführt werden, dass aus dem KI-Output konkrete nächste Schritte entstehen.
Markt- und Versorgungsimplikationen ergeben sich auch aus der Skalierung. Mammografien sind in zahlreichen Ländern Teil flächendeckender Screening-Programme, wodurch die technische Machbarkeit häufig schneller in eine reale Routine übersetzt werden kann als bei Ansätzen, die neue Bildgebung oder neue Gerätekonfigurationen voraussetzen. Wenn eine ähnliche Leistung in prospektiven Studien bestätigt wird, könnte das Modell Patientinnen mit erhöhtem Risiko für Herzinfarkte oder Schlaganfälle frühzeitig einer spezialisierten kardiologischen Abklärung zuführen. Das würde die Prävention von Ereignissen stärken, bevor ein akuter Zwischenfall eintritt. Gleichzeitig ist es wichtig, die Grenzen klar zu benennen: Eine endgültige klinische Implementierung erfordert weitere Schritte. Im Bericht wird explizit eine prospektive Validierung als notwendige Voraussetzung genannt, um die Zuverlässigkeit der KI-Prognosen unter realen Bedingungen dauerhaft zu bestätigen. Genau diese Phase entscheidet in der Praxis darüber, ob ein Modell als „Papiertest“ bleibt oder als Softwarebaustein in der Versorgung akzeptiert wird.
Historisch betrachtet sind bildbasierte Risikoscores und Deep-Learning-Modelle in der Medizin bereits seit Jahren im Vormarsch, aber die meisten Ansätze waren zunächst auf klar abgegrenzte Aufgaben wie Tumordetektion, Klassifikation oder Segmentierung begrenzt. Der hier beschriebene Ansatz erweitert die Aufgabenstellung in Richtung „Multi-Outcome“-Interpretation: Ein Bild wird nicht nur nach dem Vorliegen eines Krebsmarkers betrachtet, sondern auch nach indirekten Indikatoren für Gefäß- und Herzrisiken. Für den klinischen Alltag ist das mehr als ein Technikdetail; es verändert die Frage, wie Befunde dokumentiert und Verantwortlichkeiten verteilt werden. Ebenso spielt die Datenqualität eine Rolle: Retrospektive Studien bieten wertvolle Hinweise, sind aber anfällig für Unterschiede in Bildprotokollen, Populationen und Dokumentation. Prospektive Validierung adressiert genau diese Lücken, weil sie zeigt, ob ein Modell auch dann funktioniert, wenn es nicht im gleichen Setting wie im Training getestet wird. Wenn sich das Verfahren in weiteren Studien bewährt, könnte die Mammografie tatsächlich stärker als zentrale Säule der kardiovaskulären Präventivmedizin für Frauen verstanden werden.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI in der Mammografie: Modell erkennt Herzerkrankungen mit 86% Genauigkeit" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI in der Mammografie: Modell erkennt Herzerkrankungen mit 86% Genauigkeit" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI in der Mammografie: Modell erkennt Herzerkrankungen mit 86% Genauigkeit« bei Google Deutschland suchen, bei Bing oder Google News!