Vom Scan zum Behandlungsplan: Wie NVIDIA-Inception-Start-ups kritische Lücken in der Brustkrebsversorgung schließen
Ein NVIDIA-Blogbeitrag stellt drei Inception-Start-ups vor, die KI entlang der Brustkrebsversorgung einsetzen. Der tragbare 3D-Ultraschall von iSono Health braucht etwa zwei Minuten pro Brust. Whiterabbit.ai bestimmt Brustdichte und Langzeitrisiko aus Mammographien. Ataraxis AI sagt aus Pathologie-Schnitten das Chemotherapie-Ansprechen und das Fünf-Jahres-Rezidivrisiko voraus. Die meisten Leistungszahlen sind Firmenangaben, unabhängige Belege fehlen im Beitrag. Der Text nennt etwa 40 Millionen Mammographien pro Jahr in den USA und einen erwarteten Mangel von mehreren zehntausend Radiologen im kommenden Jahrzehnt. Damit wird die Lesekapazität zum Engpass, und genau dort setzen die drei Unternehmen mit Automatisierung, Risikoabschätzung und Therapievorhersage an. Alle Modelle laufen auf NVIDIA-GPUs, im Labor wie in der Klinik.
Am 5. Oktober 2026 veröffentlichte NVIDIA in seinem Blog einen Beitrag über drei Unternehmen aus dem Start-up-Programm NVIDIA Inception. Sie setzen KI in verschiedenen Phasen der Brustkrebsversorgung ein: Bildgebung, Risikobewertung und Therapieentscheidung. Der Ausgangspunkt sind einfache Lücken. Brustkrebs ist die am häufigsten diagnostizierte Krebsart bei amerikanischen Frauen, doch die Mehrheit der Frauen über 40 verzichtet auf die empfohlene jährliche Früherkennung. Radiologen lesen mehr Mammographien mit weniger Kollegen. Nach der Diagnose können die Tests, die die Behandlung steuern, Wochen dauern. Die Größenordnung zählt. In den USA werden jährlich rund 40 Millionen Mammographien erstellt, und der Beitrag nennt für das nächste Jahrzehnt einen erwarteten Mangel von mehreren zehntausend Radiologen. Die Nachfrage bleibt stabil, während das Angebot an Befundern schrumpft. Die Lesekapazität wird zum Engpass. Am anderen Ende des Versorgungswegs hängen Therapieentscheidungen oft von genomischen Tests ab, die an externe Labore gehen. Diese Tests dauern Wochen, und das in einem Moment, in dem Tempo und Sicherheit am wichtigsten sind. Die drei Firmen setzen am Anfang, in der Mitte und am Ende dieser Kette an. Alle laufen auf der KI-Infrastruktur von NVIDIA.
Das erste Unternehmen, iSono Health, nimmt die Bildaufnahme selbst in den Blick. Die von der FDA zugelassene Plattform ATUSA ist ein tragbares, automatisiertes System für quantitativen 3D-Ultraschall. Es erfasst ein standardisiertes Brustvolumen in etwa zwei Minuten pro Brust, während ein herkömmlicher Handultraschall bis zu 45 Minuten braucht. Die KI wurde mit Tausenden Ganzbrust-Scans trainiert, die mehr als 1,5 Millionen Ultraschallbilder umfassen, und automatisiert die Bildaufnahme. Sie nutzt GPU-Beschleunigung von NVIDIA und quelloffene Technik für die medizinische Bildgebung. Nach Angaben der Firma ist der entstehende 3D-Scan um 28 % sensitiver als ein 2D-Handultraschall. Diese Zahl ist eine Herstellerangabe, und der Beitrag beschreibt die zugrunde liegende Studie nicht. Man sollte sie als Aussage des Anbieters lesen, die eine unabhängige Bestätigung braucht. Technisch interessanter ist die Wiederholbarkeit. Handultraschall hängt von der Person ab, die den Schallkopf führt. Aufnahmen derselben Frau lassen sich deshalb von Jahr zu Jahr meist nicht vergleichen. ATUSA erfasst die ganze Brust jedes Mal auf dieselbe Weise. Das liefert eine wiederholbare Ansicht des Gewebes, mit der Ärzte analysieren könnten, wie sich das Gewebe über aufeinanderfolgende Scans verändert, und es verringert Bedienfehler und Streuung. Das Gerät ist über Partnerkliniken in Kalifornien, Texas, Georgia, Tennessee und Washington D.C. erhältlich, und es kommen regelmäßig neue Standorte hinzu. CEO Neda Razavi sagt, der erste Durchbruch sei, den Scan näher an die Patientin zu bringen. Danach solle der Scan immer aussagekräftiger werden. iSono hat KI-Funktionen für die Erkennung von Läsionen, für 3D-Segmentierung und für die Klassifikation von Läsionen entwickelt. Als Nächstes will die Firma die Pipeline zu einer multimodalen diagnostischen Intelligenz erweitern, die 3D-Ultraschall, Mammographie, MRT und klinische Informationen umfasst. Eine multizentrische klinische Studie mit 3.200 Patientinnen läuft, mit den führenden Standorten UC Davis und Vanderbilt University Medical Center. In der medizinischen KI sagen prospektive multizentrische Daten mehr über die Leistung im Alltag aus als ein retrospektives Ergebnis an einem einzelnen Standort. Das zweite Unternehmen, Whiterabbit.ai, konzentriert sich auf die Früherkennung. Seine von der FDA zugelassene Software WRDensity bestimmt die Brustdichte automatisch aus Mammographien und wurde bei Hunderttausenden Patientinnen eingesetzt. Die Firma entwickelte außerdem WRRisk, eine klinische Entscheidungshilfe, die das langfristige Brustkrebsrisiko abschätzt, und erforscht eine neue Generation von Mammographie-KI. Diese könnte Radiologen helfen, mehr Krebsfälle zu finden, und zugleich die Prüfung negativer Aufnahmen automatisieren. Ziele sind, eine überlastete Radiologie zu entlasten, Ergebnisse zu beschleunigen, vermeidbare Rückrufe zu senken und Folgekosten zu verringern. Mitgründer und CTO Jason Su beschreibt ein Nadel-im-Heuhaufen-Problem: Etwa ein Krebsfall pro 200 Mammographien. Er hofft, dass KI als Partner das Heu wegräumt, damit sich die Experten auf das Wesentliche konzentrieren.
Die Rechenarchitektur bei Whiterabbit ist bemerkenswert. Das Training läuft auf einem Cluster mit NVIDIA-GPUs an der Washington University in St. Louis, ergänzt durch zusätzliche GPU-Kapazität in der Cloud. Die Inferenz läuft auf NVIDIA-GPUs, die direkt in der Klinik stehen. Zentrales Training mit Inferenz am Ort der Versorgung passt zu Bilddaten, die groß und datenschutzrelevant sind, und hält die Latenz innerhalb dessen, was ein klinischer Ablauf toleriert. Dieser Kompromiss ist bei medizinischer KI üblich. Das dritte Unternehmen, Ataraxis AI, arbeitet am Ende der Kette, bei der Therapievorhersage. Steht die Diagnose, lautet die Frage, was zu tun ist, und die Antwort hängt davon ab, wie der Krebs auf die Behandlung anspricht. Laut Beitrag sind diese Vorhersagen heute in Umfang und Genauigkeit begrenzt und erfordern oft eine zusätzliche Gewebebiopsie mit zwei bis vier Wochen Wartezeit. Ataraxis baut klinische Intelligenz auf, die Verlauf und Therapieansprechen aus digitalen Daten vorhersagt, darunter Pathologie-Schnitte, die ohnehin zur Standarddiagnostik gehören. Die Modelle deuten Muster in den Schnitten und lernen, Unterschiede darin mit Rezidivrisiko und Chemosensitivität zu verknüpfen. Joseph Cappadona vom technischen Team sagt, die Werkzeuge der Onkologen seien weitgehend vor fünfzehn Jahren einmal trainiert und nie aktualisiert worden, während die Modelle von Ataraxis mit jedem neuen Satz klinischer Studiendaten besser würden.
Konkret analysieren die Modelle digitale Pathologie-Schnitte und klinische Standardvariablen. Ein Modell sagt voraus, ob eine präoperative Chemotherapie den Tumor bis zu einem Ansprechen verkleinert, bevor operiert wird. Nach der Operation schätzt ein weiteres Modell das Fünf-Jahres-Rezidivrisiko und den wahrscheinlichen Nutzen einer Chemotherapie als nächsten Schritt. Laut Beitrag wurden beide Modelle an mehr als 10 Einrichtungen und in mehreren klinischen Studien validiert und sind im klinischen Einsatz. Sie laufen auf NVIDIA-GPUs vor Ort, in einem externen Rechenzentrum und in der Cloud, mit PyTorch und GPU-Beschleunigung von NVIDIA. Für Entwickler und Gesundheitssysteme liegt der Wert des Beitrags weniger in einer einzelnen Kennzahl als in einer klaren Arbeitsteilung. Automatisierte Hardware senkt die Hürde bei der Aufnahme. Software verringert in der Mitte die Leselast und unnötige Rückrufe. Vorhandene Pathologiedaten ersetzen am Ende einen zusätzlichen Test. Keine der drei Lösungen verlangt von der Patientin einen weiteren Schritt. Eine Warnung gehört dazu: Es ist der eigene Blog von NVIDIA über eigene Inception-Mitglieder, also ein Text mit Werbezweck, und die meisten Leistungszahlen sind Firmenaussagen. Unabhängige, begutachtete Belege zeigt der Beitrag nicht. Die Herausforderungen sind konkret. Multimodale Integration braucht Data Governance über Geräte und Einrichtungen hinweg. Jede neue KI-Funktion kann eine neue behördliche Zulassung erfordern. Der echte Nutzen von weniger Rückrufen und weniger übersehenen Krebsfällen muss durch prospektive Studien und lange Nachbeobachtung belegt werden. Für die Branche bindet Inception die GPUs und Software von NVIDIA an vertikale Start-ups, und medizinische Bildgebung sowie digitale Pathologie gehören zu den Feldern, in denen dieses Modell am leichtesten Fuß fasst. Zwei Dinge verdienen Aufmerksamkeit: die Ergebnisse der iSono-Studie mit 3.200 Patientinnen und die Frage, ob Modelle wie die von Ataraxis ihre Leistung bei weiteren Krebsarten wiederholen können.