Das Formular wurde erfolgreich abgeschickt.
Weitere Informationen finden Sie in Ihrem Briefkasten.
EinstellenSprache auswählen
Über unsLeistungenTechnologienPortfolio
Viele Keynotes auf IT-Konferenzen im Gesundheitswesen folgen mittlerweile dem gleichen Muster. Jemand beginnt mit einer Folie, auf der ein freundlich aussehender Roboter in einem weißen Kittel zu sehen ist, und schließt vierzig Minuten später mit einer nervösen Frage, ob die Software den Zuhörern nun die Arbeitsplätze wegnehmen wird. Irgendwo zwischen der Roboter-Folie und dieser Frage wird der wirklich nützliche Teil des Vortrags übersprungen, und dabei geht es selten um Roboter.
KI für die medizinische Bildgebung – in der Form, wie sie tatsächlich auf den Markt kommt und genutzt wird – ist weit weniger spektakulär und dafür umso interessanter. Es handelt sich um Software, die eine Thorax-CT auswertet, bevor der Radiologe die Datei öffnet, und die drei von zweihundert Untersuchungen markiert, die zuerst einer manuellen Überprüfung bedürfen. Es ist ein Modell, das einen Tumor jedes Mal auf dieselbe Weise vermisst – und nicht so, wie es ein müder Assistenzarzt an einem Freitag um 18 Uhr tut. Nichts davon sorgt für Schlagzeilen. Doch all das verändert den Arbeitsalltag einer Abteilung.
Dies ist eine praktische Anleitung dazu, wo KI in der medizinischen Bildgebung tatsächlich funktioniert, wo sie noch über ihre eigenen Schnürsenkel stolpert und was nötig ist, um sie in einem Krankenhaus oder einem Bildgebungszentrum einzuführen, ohne dabei etwas Wichtiges zu beschädigen.
Im einfachsten Fall bedeutet KI-basierte medizinische Bildgebung, Software – meist Deep-Learning-Modelle, die auf konvolutionellen neuronalen Netzen oder neueren Transformer-Architekturen basieren – so zu trainieren, dass sie Muster in Aufnahmen genauso erkennt wie ein erfahrener Radiologe. Versorgt man ein Modell mit genügend beschrifteten Röntgenaufnahmen des Brustkorbs, die eine Lungenentzündung zeigen, beginnt es, dieselben visuellen Anhaltspunkte zu erkennen, die auch ein Radiologe wahrnimmt – nur schneller und ohne Kaffeepause.
Der Anwendungsbereich geht mittlerweile weit über die Erkennung eines einzelnen Tumors hinaus. Die heutigen Werkzeuge decken nahezu alle Phasen der Bildgebungs-Pipeline ab: Erfassung, Rekonstruktion, Auswertung, Befundung und zunehmend auch die Vorhersage des Krankheitsverlaufs und der Patientenergebnisse. Ein Teil davon läuft als maschinellem Lernen direkt in den Scanner integriert. Ein Teil davon läuft als separate Ebene, die die DICOM-Datei nach Abschluss des Scans ausliest.
Die Aufsichtsbehörden hatten diesen Wandel bereits Jahre vor den meisten Einrichtungen des Gesundheitswesens erkannt. Ende 2025 entfielen auf die Radiologie etwa 76% jedes KI-fähigen Medizinprodukts In den letzten 30 Jahren wurden mehr Verfahren von der FDA zugelassen als in allen anderen klinischen Fachgebieten zusammen. In der Bildgebung sind die Daten am umfangreichsten, die Muster sind visuell genug, damit ein neuronales Netzwerk gut lernen kann, und der klinische Nutzen ist am deutlichsten – daher hat die KI hier auch ihren Vorsprung gewonnen.
KI übernimmt je nach ihrer Position im Arbeitsablauf verschiedene Aufgaben. Hier erfahren Sie, wie KI in der medizinischen Bildgebung eingesetzt wird, wenn man einmal hinter die Marketing-Fassade blickt.
Das ist die Anwendung, die jedem als Erstes in den Sinn kommt. Ein Modell scannt ein Bild und markiert alles, was so aussieht, als sollte es nicht dort sein: ein Knoten, eine Fraktur, eine Blutung, eine verdächtige Geschwulst usw. Es versteht sich von selbst, dass das Ergebnis keine Diagnose ist. Es ist lediglich ein zweites Paar Augen, das niemals müde wird oder abgelenkt ist – und genau das ist es, was ein Computer Vision Das Modell kann das gut, was ein Mensch, der gerade seine zweihundertste Röntgenaufnahme des Brustkorbs in dieser Schicht auswertet, eben nicht kann.
Bei der Segmentierung wird der Umriss gezeichnet, wodurch genau markiert wird, wo sich ein Tumor, ein Organ oder ein Gefäß auf dem Bild befindet. Das klingt zunächst wenig spektakulär, bis man erkennt, wie sehr die Radiologie auf konsistente Messungen über einen längeren Zeitraum hinweg angewiesen ist. Ein Modell, das dieselbe Läsion über alle Folgeuntersuchungen hinweg konsistent segmentiert, reduziert das Rätselraten bei der Behandlungsüberwachung in überraschendem Maße.
Nicht jede Aufnahme ist gleich dringlich, doch in den Arbeitslisten von PACS (Picture Archiving and Communication System) wurden sie bisher so behandelt: Wer zuerst kommt, wird zuerst ausgewertet. Triage-Modelle scannen eingehende Untersuchungen und verschieben alle Fälle, die Anzeichen eines Schlaganfalls, einer Lungenembolie oder einer intrakraniellen Blutung aufweisen, an den Anfang der Warteschlange – manchmal bereits innerhalb weniger Minuten nach der Aufnahme. Die Entscheidung trifft nach wie vor der Radiologe. Sie trifft sie nur früher.
KI bearbeitet das Bild zudem bereits, bevor ein Mensch es überhaupt sieht: Sie filtert Rauschen aus Niedrigdosis-CT-Aufnahmen heraus, schärft MRT-Bilder, die in kürzerer Zeit als nach einem Standardprotokoll aufgenommen wurden, oder füllt Lücken aufgrund von Bewegungsartefakten auf. Die Vorteile liegen auf der Hand: geringere Strahlendosen, kürzere Untersuchungszeiten und besser lesbare Bilder.
Der neueste Trend verbindet bildgebende Verfahren mit anderen Datentypen, Laborergebnissen, Genomdaten und klinischen Befunden, um den voraussichtlichen Verlauf einer Erkrankung vorherzusagen, anstatt lediglich zu beschreiben, was heute sichtbar ist. Es ist noch früh, aber vielversprechend – und genau in diese Richtung fließt derzeit ein Großteil der bedeutenden Forschungsgelder.
Anwendungen sind eine Möglichkeit, dies zu betrachten, aber der klinische Bereich ist eine andere. Und wahrscheinlich ist es gerade dieser Bereich, der für denjenigen, der das Budget genehmigt, von größerer Bedeutung ist. Hier sind einige konkrete Beispiele für den Einsatz von KI in der medizinischen Bildgebung, gegliedert nach Fachgebieten.
Die Bildgebung in der Onkologie kann auf eine der längsten Traditionen im Bereich der KI zurückblicken, was vor allem daran liegt, dass die Vorsorgeuntersuchungen bei Brust-, Lungen- und Prostatakrebs riesige, gut beschriftete Datensätze liefern. In einer der bislang größten Studien unter realen Bedingungen setzten Radiologen bei der Mammografie-Vorsorge auf eine KI-gestützte Doppelbefundung 17,61 TP180T mehr Krebsfälle entdeckt als Radiologen, die ohne dieses Verfahren arbeiten, und zwar bei mehr als 460.000 Frauen, die an 12 Standorten in Deutschland untersucht wurden.
Bei der Schlaganfallversorgung kommt es auf jede Minute an, und KI-Triage-Tools, die für CT- und MRT-Untersuchungen entwickelt wurden, erkennen nun Verdachtsfälle von Verschlüssen großer Gefäße und intrakraniellen Blutungen schnell genug, um die Zeit zwischen der Untersuchung und der Behandlungsentscheidung zu verkürzen. Die gleiche zugrunde liegende Technologie verfolgt auch Veränderungen der weißen Substanz im Zeitverlauf bei Erkrankungen wie Multipler Sklerose, was früher einen mühsamen manuellen Vergleich der Aufnahmen erforderte.
Kardiale MRT- und CT-Untersuchungen liefern umfangreiche und bewegungsreiche Daten, die für den Menschen nur schwer konsistent auszuwerten sind. KI-Tools übernehmen mittlerweile die Berechnung der Herzkammervolumina, den Kalzium-Scoring und die Analyse der Koronararterien mit einer Wiederholgenauigkeit, die bei manuellen Messungen selten erreicht wird, da zwei Kardiologen, die dasselbe Herz manuell vermessen, nicht immer genau denselben Wert erhalten.
Die Erkennung von Frakturen auf Röntgenaufnahmen – insbesondere von subtilen Frakturen, die in einer stark frequentierten Notaufnahme leicht übersehen werden – ist eine der eher weniger beachteten Erfolgsgeschichten der KI. Die Beurteilung des Knochenalters und die Einstufung von Arthrose haben denselben Weg eingeschlagen: Aufgaben, die stets etwas subjektiv waren, werden nun durch eine konsistente Zweitmeinung ergänzt.
Die Vorteile der KI in der medizinischen Bildgebung werden je nach Fragesteller unterschiedlich wahrgenommen. Daher lohnt es sich, sie nach Zielgruppen aufzuschlüsseln, anstatt so zu tun, als wollten alle dasselbe.
Nichts davon geschieht automatisch, und wenn man so tut, als wäre es anders, landen KI-Piloten still und leise irgendwo in einer Schublade. Hier sind die Faktoren, die dem meist im Wege stehen.
Ein Modell ist nur so gut wie die Labels, anhand derer es trainiert wurde, und die Annotation medizinischer Bilder ist zeitaufwendig, kostspielig und erfordert fundiertes klinisches Fachwissen. Uneinheitliche Labeling-Praktiken zwischen verschiedenen Einrichtungen sind einer der häufigsten Gründe dafür, dass ein Modell im Testbetrieb hervorragende Ergebnisse liefert, im Produktionsbetrieb jedoch enttäuschend abschneidet.
Modelle, die überwiegend anhand einer bestimmten Population, einer bestimmten Scannermarke oder der Bildgebungsprotokolle eines bestimmten Krankenhauses trainiert wurden, schneiden in anderen Fällen tendenziell schlechter ab. Ein Modell, das Muster der Brustdichte anhand einer bestimmten Bevölkerungsgruppe gelernt hat, lässt sich nicht automatisch auf eine andere übertragen.
Jeder Schwellenwert ist ein Kompromiss. Ist er zu empfindlich eingestellt, werden Radiologen mit Fehlalarmen überschwemmt, was genau zu jener Alarmmüdigkeit führt, die das Tool eigentlich verhindern sollte. Legt man den Schwerpunkt zu sehr auf Spezifität, werden echte Befunde übersehen. Es gibt keine Einstellung, die diesen Kompromiss aufhebt, sondern nur Einstellungen, die für einen bestimmten klinischen Kontext besser oder schlechter geeignet sind.
Ein Modell, das lediglich “Krebs, Konfidenz 87%” angibt, ohne die Gründe dafür aufzuzeigen, ist für einen Radiologen, der rechtlich und beruflich für die endgültige Entscheidung verantwortlich ist, nur schwer zu akzeptieren. Tools, die die tatsächlichen Pixel hervorheben, auf denen eine Vorhersage basiert, gewinnen schneller Vertrauen als solche, die dies nicht tun – vor allem, weil sie es einem Kliniker ermöglichen, die Diagnose einer KI in der medizinischen Bildgebung einer Plausibilitätsprüfung zu unterziehen.
Medizinische Bilder enthalten geschützte Gesundheitsdaten, und KI-Pipelines, die diese Daten zwischen Scannern, Speichersystemen, Cloud-Inferenzsystemen und Berichtssystemen übertragen, vervielfachen die Stellen, an denen etwas schiefgehen kann. Verschlüsselung während der Übertragung und im Ruhezustand, strenge Zugriffskontrollen und Protokollierung von Prüfvorgängen verhindern, dass eine Sicherheitsverletzung zu einem regulatorischen Desaster wird.
Wer ist verantwortlich, wenn bei einer KI-gestützten Auswertung etwas übersehen wird? Die rechtlichen Rahmenbedingungen hinken dieser Frage noch hinterher, und die Zulassung durch eine Behörde wie die FDA bezieht sich auf die Leistungsfähigkeit der Software, nicht jedoch auf die rechtlichen und klinischen Verantwortungsstrukturen im Zusammenhang mit ihrer Nutzung.
Ein Modell, das anhand der Scannermodelle und der Patientenstruktur des Vorjahres validiert wurde, kann sich im Zuge von Veränderungen bei Geräten, Protokollen und Patientengruppen schleichend verschlechtern – ein Problem, das als „Drift“ bezeichnet wird. Ohne kontinuierliche Leistungsüberwachung bleibt diese Verschlechterung unbemerkt, bis jemand feststellt, dass das Modell bereits seit Monaten fehlerhaft ist. Genau das ist es, was solide MLOps-Verfahren sind darauf ausgelegt, Probleme zu erkennen, bevor sie zu einem klinischen Problem werden.
Ein Modell in einer wissenschaftlichen Arbeit zum Laufen zu bringen und es in einer echten radiologischen Abteilung zum Laufen zu bringen, sind zwei ganz unterschiedliche Vorhaben. So sieht das zweite aus.
Jede erfolgreiche Einführung beginnt im kleinen Rahmen: eine Untersuchungsmethode, eine Erkrankung, eine klar definierte klinische Fragestellung. “KI für die Radiologie” ist kein Anwendungsfall. “Verdacht auf Lungenembolie im Thorax-CT innerhalb von fünf Minuten nach der Aufnahme kennzeichnen” hingegen schon.
Hier verbirgt sich der Großteil der eigentlichen Arbeit: das Bereinigen, Anonymisieren und Annotieren der Bilddaten nach einem Standard, anhand dessen das Modell lernen kann. Die nächste Herausforderung besteht darin, sicherzustellen, dass die Daten die Patientengruppe und die Geräte widerspiegeln, auf denen das Modell letztendlich laufen wird.
Ein Standardmodell, ein feinabgestimmtes Grundmodell oder eine vollständig maßgeschneiderte Lösung? Die richtige Antwort hängt davon ab, wie häufig die klinische Aufgabe vorkommt und inwieweit sich Ihre Patientengruppe von der unterscheidet, auf deren Grundlage die bestehenden Modelle trainiert wurden. Darauf werden wir im nächsten Abschnitt noch einmal zurückkommen.
Ein Modell, das keine Untersuchungen aus dem PACS empfangen, Befunde nicht an das RIS zurückschreiben und Ergebnisse nicht in der elektronischen Patientenakte anzeigen kann, die ein Arzt bereits nutzt, ist kein klinisches Werkzeug, sondern ein Forschungsprojekt mit guten Absichten. Integration von EHR und EMR Diese Arbeit ist zwar wenig glamourös, aber absolut unverzichtbar, denn niemand möchte eine dritte Anwendung öffnen, nur um zu sehen, was die KI gefunden hat.
Die Benutzeroberfläche ist fast genauso wichtig wie das ihr zugrunde liegende Modell. Die Ergebnisse der KI müssen in den Tools angezeigt werden, die Radiologen bereits nutzen, und in einem Format präsentiert werden, das zu ihrem klinischen Arbeitsablauf passt – mit einfachen Optionen, um die Vorschläge der KI anzunehmen, abzulehnen oder zu überschreiben.
Natürlich ist die Inbetriebnahme noch nicht das Ende der Geschichte. Durch kontinuierliche Überwachung wird die Genauigkeit anhand der tatsächlichen Ergebnisse überprüft, auf Abweichungen geachtet und der Moment erkannt, in dem ein Firmware-Update des Scanners unbemerkt die Bilder verändert, die das Modell erfasst.
Früher oder später steht jedes Projekt im Bereich der KI-gestützten medizinischen Bildgebung an derselben Weggabelung, und irgendjemand im Raum spricht das Wort “Roadmap” mit mehr Selbstsicherheit aus, als es die Situation rechtfertigt. Man kann das Ganze selbst entwickeln, etwas kaufen, das bereits existiert, oder Leute einstellen, die die teuren Fehler bereits auf Kosten anderer gemacht haben. Keine dieser drei Optionen ist abstrakt betrachtet die richtige. Eine davon ist jedoch die richtige für Ihr Team, Ihren Zeitplan und das Risiko, das Ihre Rechtsabteilung noch vor der Mittagspause verkraften kann.
| Vorgehen | Schnelle Bereitstellung | Vorabkosten | Klinische Anpassung | Langfristige Wartung |
|---|---|---|---|---|
| Selbst entwickeln | Langsam: Monate bis Jahre | Hoch, erfordert ein eigenes ML-Team | Sehr hoch | Das liegt ganz bei deinem Team |
| Serienware kaufen | Schnell: Wochen | Geringere einmalige und laufende Lizenzgebühren | Beschränkt auf die vom Anbieter unterstützten Funktionen | Wird vom Anbieter abgewickelt |
| Arbeiten Sie mit einem Entwicklerteam zusammen | Mäßig: Wochen bis einige Monate, ein Jahr | Maßvoll, auf das Projekt beschränkt | Hoch | Nach Stabilisierung weiterverwiesen oder übergeben |
Gute Absichten reichen leider nicht aus, um eine Sicherheitsprüfung zu bestehen. Bevor eine KI-/ML-Pipeline für die medizinische Bildgebung auch nur in die Nähe eines echten Patienten gelangt, muss bereits eine recht unscheinbare Infrastruktur dahinter stehen, die still und leise ihre Arbeit verrichtet, sodass niemand darüber nachdenken muss.
Hier ist in groben Zügen die Vorgehensweise, die wir unseren Kunden empfehlen – zusammengestellt anhand von Projekten, bei denen die KI-Bildverarbeitungslösungen die Pilotphase erfolgreich durchlaufen haben und nun im alltäglichen Geschäftsbetrieb zum Einsatz kommen.
Eine Handvoll Entwicklungsrichtungen tauchen in seriösen Forschungsarbeiten und Produkt-Roadmaps so häufig auf, dass es sich lohnt, sie im Auge zu behalten, anstatt sie einfach als Anbieter-Präsentationen abzuhaken. Genau hier beginnt die KI, die medizinische Bildgebung zu verändern, sobald Teams über die derzeitigen Werkzeuge hinauswachsen.
Unsere Arbeit hier deckt den gesamten Bereich der medizinischen Bildgebung im Gesundheitswesen mit KI von Anfang bis Ende ab. Einerseits, Computer Vision Modelle, die auf echten klinischen Bilddaten trainiert wurden. Weniger glamourös ist die Integrationsarbeit mit PACS, RIS und EHR, die darüber entscheidet, ob all dies überhaupt zum Einsatz kommt. Die Einhaltung von HIPAA, DSGVO und MDR wird nicht erst am Ende nachgerüstet. Sie sind vom ersten Sprint an Teil der Entwicklung, und unsere Zertifizierung nach ISO 13485 deckt genau die Art von Medizinproduktesoftware ab, um die es hier geht. Unsere Fallstudien aus dem Gesundheitswesen vermitteln ein realistischeres Bild davon, wie das in der Praxis aussieht, als alles, was ich hier zusammenfassen könnte.
KI kann gegen eine mangelhafte PACS-Integration nicht gewinnen, und sie wird auch nicht auf eine perfekte Integration warten. Irgendwo zwischen dem Pilotprogramm und der chaotischen Realität des Krankenhauses IT werten Radiologieabteilungen Bilder bereits anders aus als noch vor fünf Jahren. Ob sich dieser Wandel revolutionär oder einfach nur still und leise nützlich anfühlt, hängt weniger vom Algorithmus ab als vielmehr davon, wer bereit war, die oft übersehene Integrationsarbeit als Erster zu leisten.
Ehrlich gesagt, ein bisschen von allem: Erkennung von Anomalien, Bildsegmentierung und -auswertung, Triage von Arbeitslisten, Bildrekonstruktion, strukturierte Befundberichte und prädiktive Analysen, verteilt auf verschiedene Bildgebungsverfahren wie Röntgen, CT, MRT und Ultraschall.
Röntgen, CT, MRT, Ultraschall, Mammographie, PET und zunehmend auch Bilder aus der Ganzobjektträger-Pathologie. Röntgen und CT blicken nach wie vor auf die längste und etablierteste Tradition zurück.
In den meisten Fällen ja. Klinische KI-Tools sind in der Regel so konzipiert, dass sie sich über Standards wie DICOM, DICOMweb, HL7 V2 und FHIR in bestehende PACS- und RIS-Systeme integrieren lassen, wobei der Umfang dieser Integration jedoch nach wie vor stark vom jeweiligen Anbieter abhängt.
Das hängt stark von der jeweiligen Aufgabe ab und davon, wie gründlich das Modell validiert wurde; daher sollte man einzelne Genauigkeitsangaben mit einer gewissen Skepsis betrachten. Gut validierte Tools in Bereichen wie der Mammografie-Früherkennung haben im Vergleich zur manuellen Befundung echte Verbesserungen bei den Erkennungsraten gezeigt, allerdings auch echte Kompromisse bei den Falsch-Positiv-Raten, die es abzuwägen gilt.
Hier gibt es keine magische Zahl. Es hängt davon ab, wie komplex die klinische Aufgabe ist, aber bei validierten, von der FDA zugelassenen Bildgebungsmodellen wurden in der Vergangenheit für die klinische Validierung zwischen einigen hundert und mehreren tausend Patientenfälle herangezogen.
In den USA sind dies vor allem die Zulassung durch die FDA im Rahmen von Verfahren wie 510(k), De Novo oder PMA sowie die HIPAA-Vorschriften zum Datenschutz. In der EU sind dies die Medizinprodukteverordnung (MDR), die DSGVO und das EU-KI-Gesetz.
Die kurze Antwort lautet: Nein. Die derzeitigen Tools sind als unterstützende oder ergänzende Lesehilfen zugelassen, nicht als eigenständige Auswertungsprogramme, sodass die endgültige klinische Entscheidung weiterhin beim Radiologen liegt und nicht bei einem Modell.
Ehrlich gesagt variieren die Kosten zu stark, um eine pauschale Zahl zu nennen. Ob Sie eine Standardlösung kaufen, eine maßgeschneiderte Lösung entwickeln lassen oder mit einem Entwicklungsteam zusammenarbeiten – all das wirkt sich ganz unterschiedlich aus, ebenso wie die Komplexität der Integration und die Anzahl der betroffenen Websites. Eine gezielte Beratung liefert Ihnen viel schneller konkrete Zahlen als bloße Vermutungen.
Berater im Gesundheitswesen IT
Aleh überbrückt die Kluft zwischen klinischen Anforderungen und technischer Ausführung. Er wendet fundiertes Fachwissen an, um sicherzustellen, dass MedTech-Systeme nicht nur konform, sondern auch zuverlässig genug sind, um in der realen Gesundheitsversorgung eine messbare Wirkung zu erzielen.
