EUVIMEDEUVIMED entdecken
Crossref

DBT-DINO: Ein Foundation Modell für die KI-basierte Analyse der digitalen Brust-Tomosynthese

F Dorfner, M A Dorster, R Connolly, O Gentilhomme, E Gibbs, S Graham, T Schultz, M Bahl, D Daye, A E Kim, C P Bridge

RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren · 01.04.2026 · 198 (S 01 S 01) · S77-S78

DOI: 10.1055/s-0046-1817647 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, erschienen am 01.04.2026. Verfasst von F Dorfner und 10 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Zielsetzung Foundation Modelle stellen eine vielversprechende Entwicklung in der KI-basierten Analyse radiologischer Bildgebung dar. Diese Arbeit entwickelte das erste Foundation Modell für digitalen Brust-Tomosynthese (DBT) und evaluierte es auf klinisch relevanten Aufgaben. Material und Methoden In dieser retrospektiven Studie wurden DBT-Aufnahmen verwendet, die zwischen 2011 und 2024 am Mass General Brigham, Boston, USA akquiriert wurden. DBT-DINO wurde auf Basis der DINOv2-Methodik mittels self-supervised Pre-Training auf 487.975 DBT-Aufnahmen von 27.990 Patientinnen trainiert. Das Modell wurde auf drei klinisch relevanten Aufgaben evaluiert: (1) Brustdichte-Klassifikation anhand von 5.000 Screening-Untersuchungen; (2) Vorhersage des 5-Jahres-Brustkrebsrisikos anhand von 106.417 Screening-Untersuchungen; und (3) Läsionsdetektion anhand des Duke University BCS-DBT Datensatzes mit 393 Aufnahmen. Die Performance wurde mit ImageNet-vortrainierten Baseline-Modellen verglichen. Für Dichte- und Risiko-Klassifikation wurde Linear Probing verwendet, für die Läsionsdetektion ein RetinaNet-basierter Detection Head.

Ergebnisse

Bei der Brustdichte-Klassifikation erreichte DBT-DINO eine Genauigkeit von 0,79 (95% KI: 0,76–0,81) und übertraf die DINOv2-Baseline (0,73, 95% KI: 0,70–0,76) sowie DenseNet-121 (0,74, 95% KI: 0,71–0,76). Bei der 5-Jahres-Brustkrebsrisiko-Vorhersage erzielte DBT-DINO eine AUROC von 0,78 (95% KI: 0,76–0,80) gegenüber DINOv2 mit 0,76 (95% KI: 0,74–0,78). Bei der Läsionsdetektion erreichte DBT-DINO eine durchschnittliche Sensitivität von 0,62 gegenüber DINOv2 mit 0,67, zeigte jedoch überlegene Performance bei malignen Läsionen.

Schlussfolgerungen

DBT-DINO demonstrierte robuste Performance bei Brustdichte-Klassifikation und Krebsrisiko-Vorhersage. Das domänenspezifische Pre-Training zeigte variable Vorteile bei der Läsionsdetektion. Die Optimierung der Repräsentation lokaler Features stellt eine zentrale Herausforderung für zukünftige Pre-Training-Strategien dar. DBT-DINO wird open-source zur Verfügung gestellt. Publication History Article published online: 22 April 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

Zitieren

APA

Dorfner, F., Dorster, M. A., Connolly, R., Gentilhomme, O., Gibbs, E., Graham, S., Schultz, T., Bahl, M., Daye, D., Kim, A. E., & Bridge, C. P. (2026). DBT-DINO: Ein Foundation Modell für die KI-basierte Analyse der digitalen Brust-Tomosynthese. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, 198(S 01 S 01), S77-S78. https://doi.org/10.1055/s-0046-1817647

Vancouver

Dorfner F, Dorster MA, Connolly R, Gentilhomme O, Gibbs E, Graham S, et al. DBT-DINO: Ein Foundation Modell für die KI-basierte Analyse der digitalen Brust-Tomosynthese. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 2026;198(S 01 S 01):S77-S78. doi:10.1055/s-0046-1817647

BibTeX
@article{Dorfner2026,
  author = {Dorfner, F and Dorster, M A and Connolly, R and Gentilhomme, O and Gibbs, E and Graham, S and Schultz, T and Bahl, M and Daye, D and Kim, A E and Bridge, C P},
  title = {DBT-DINO: Ein Foundation Modell für die KI-basierte Analyse der digitalen Brust-Tomosynthese},
  journal = {RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren},
  year = {2026},
  volume = {198},
  number = {S 01 S 01},
  pages = {S77--S78},
  doi = {10.1055/s-0046-1817647}
}
Kostenlos starten →