 |  | Theo Dingermann |
 |
30.04.2026 10:30 Uhr |
Eine zentrale Schwierigkeit bei der Entwicklung von Früherkennungsmodellen für seltene Erkrankungen ist das extreme Klassenungleichgewicht. Die Zahl gesunder Kontrollpersonen überwiegt massiv gegenüber der Zahl an Krebspatienten, weshalb ein Modell ohne Gegenmaßnahmen dazu neigt, nahezu alles als negativ zu klassifizieren.
Die Forschenden begegnen diesem Problem durch SMOTE (Synthetic Minority Over-sampling Technique), ein Verfahren, das synthetische Datenpunkte für die Minderheitsklasse durch Interpolation im Merkmalsraum generiert. Das Training erfolgte auf einem balancierten 1:1-Datensatz, während das Testset mit einem realistischen Verhältnis von etwa 6:1 (Kontrollpersonen zu prädiagnostischen Fällen) die klinische Realität widerspiegelt.
Der direkte Vergleich mit zwei erfahrenen Abdominalradiologen fiel deutlich aus: REDMOD erzielte eine Sensitivität von 73,0 Prozent gegenüber gepoolten 38,9 Prozent beim Auslesen durch die Radiologen (p < 0,001), wobei die Spezifität der beiden Auswertungen vergleichbar war. Noch aufschlussreicher war die Aufschlüsselung nach Vorlaufzeit: Während REDMOD bei Scans, die mehr als 24 Monate vor der Diagnose aufgenommen wurden, noch 68 Prozent der Fälle erkannte, gelang dies den Radiologen nur in 23 Prozent der Fälle. Das ist ein klinisch bedeutsamer Befund, da gerade der frühe Erkennungszeitpunkt entscheidend ist für eine kurative Therapieoption.
Für ein Früherkennungstool ist die Reproduzierbarkeit über die Zeit mindestens ebenso wichtig wie die Einmalleistung. Die Forschenden prüften dies in einem Test-Retest-Ansatz. Danach stimmten für 61 Kontrollpatienten mit seriellen CT-Aufnahmen innerhalb von ±12 Monaten die REDMOD-Vorhersagen zu 92 Prozent überein. In der prädiagnostischen Gruppe behielt das Modell seine korrekte Positivklassifikation in 90 Prozent der Fälle, wobei der mediane Vorlauf bis zur Diagnose in dieser Gruppe bei 675 Tagen lag. Diese Stabilität legt eine klinisch sinnvolle »Beobachten-und-Wiederholen«-Strategie nahe, wie sie aus anderen Screening-Programmen bekannt ist.
