Sybil: Künstliche Intelligenz in der Lungenkrebs-Vorsorge
Das Deep-Learning-Modell Sybil markiert einen bedeutenden Fortschritt in der prädiktiven Lungenkrebsdiagnostik. Durch die Auswertung eines einzelnen Niedrigdosis-CT-Scans ermöglicht eine präzise Risikoabschätzung für die Entstehung von Lungenkrebs über einen Zeitraum von bis zu sechs Jahren. Dabei zeigt es eine konsistente Leistungsfähigkeit über verschiedene demografische Populationen hinweg.
Lungenkrebs stellt nach wie vor eine enorme globale gesundheitliche Herausforderung dar und fordert jährlich mehr Sterbefälle als jede andere Krebsart (1). Bemerkenswert ist, dass Lungenkrebs nicht ausschließlich eine Raucherkrankheit ist – etwa ein Viertel aller Lungenkrebsfälle weltweit sind auf andere Ursachen als Tabakkonsum zurückzuführen (2, 3).
Die neuesten Fortschritte in der Lungenkrebsvorsorge, die Mary Pasquinelli auf der 2025 World Conference on Lung Cancer (WCLC) vorgestellt hat, zeigen, dass KI-gestützte Vorhersagemodelle wie Sybil die Grenzen der Früherkennung und Risikostratifizierung erweitern.
Prädiktive Lungenkrebs-Modellierung
- Sung, H. et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin 71, 209–249 (2021)
- Bray, F. et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 74, 229–263 (2024)
- Díaz-Gay, M. et al. The mutagenic forces shaping the genomes of lung cancer in never smokers. . Nature 644, 133–144 (2025)
- Mikhael, P. G. et al. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography. Journal of Clinical Oncology 41, 2191–2200 (2023)
- Kim, Y. W. et al. Validation of Sybil Deep Learning Lung Cancer Risk Prediction Model in Asian High- and Low-risk Individuals. Am J Respir Crit Care Med 211, A5012–A5012 (2025)