Radiologie
Image-Management-Systeme
Die easyRadiology AG bietet ein Image-Management-System, das Ärzten, Patienten und medizinischem Personal jederzeit und überall Zugriff auf klinische Bilder und Befunde ermöglicht. Mit nahtloser Integration, interoperablen Systemen und flexiblen Schnittstellen erlaubt easyRadiology eine vollständig digitale Patienten-Journey – von der Terminvereinbarung bis zur Entlassung.
Weitere Softwarelösungen
| Name | Link |
|---|---|
| Raya Diagnostics | Raya Diagnostics |
| Examion Röntgensoftware | Examion Röntgensoftware |
| OpenDICOM | OpenDICOM |
| MicroDicom | MicroDicom |
| RadiAnt Viewer | RadiAnt Viewer |
| IMAIOS DICOM Viewer | IMAIOS DICOM Viewer |
| Weasis | Weasis |
| Visus | Visus |
| ORPALIS DICOM Viewer | ORPALIS DICOM Viewer |
| OsiriX | OsiriX |
| Awesome DICOM | Awesome DICOM |
| Sante DICOM Viewer | Sante DICOM Viewer Lite |
| EndoNet DICOM Viewers | EndoNet Free DICOM Viewers |
Die Website entscheidung-bildgebung.de, Teil des Betti-Projektes (better imaging), unterstützt Patientinnen und Ärztinnen bei der Entscheidung, ob und wann Bildgebung bei Schmerzen des Bewegungsapparates sinnvoll ist. Sie richtet sich an Betroffene, Interessierte sowie (Haus-)Ärzt*innen und Behandelnde.
Der Artikel „Development and proof-of-concept of a complex intervention to support appropriate imaging for musculoskeletal pain: the Betti programme“ beschreibt die Entwicklung und erste Erprobung eines komplexen Versorgungsprogramms zur Reduktion unnötiger Bildgebung bei muskuloskelettalen Schmerzen in der Primärversorgung. Die Autoren entwickelten mit „Betti“ („Better Imaging“) eine theorie- und evidenzbasierte Intervention aus ärztlichem Training, klinischer Entscheidungsunterstützung und Patienteninformationen. Die Proof-of-Concept-Ergebnisse zeigen eine hohe Akzeptanz bei Hausärzten und Patienten, verdeutlichen aber zugleich, dass die Integration der Materialien direkt in die ärztliche Konsultation entscheidend für die Wirksamkeit ist. Ziel des Programms ist die De-Implementierung von Low-Value-Care, die Verbesserung leitliniengerechter Bildgebung sowie die Stärkung von Kommunikation, Vertrauen und gemeinsamer Entscheidungsfindung.
Forschung
Künstliche Intelligenz
Die Studie „ChatGPT-4–Driven Liver Ultrasound Radiomics Analysis: Diagnostic Value and Drawbacks in a Comparative Study“ untersucht die Fähigkeit von ChatGPT-4, Leberultraschallbilder mittels Radiomics-Analyse zu bewerten und zwischen Fibrose, Steatose und normalem Lebergewebe zu unterscheiden. Sie vergleicht die Leistung von ChatGPT-4 mit konventioneller Bildanalysesoftware (IDL) anhand von 70 Ultraschallbildern aus einem präklinischen Lebererkrankungsmodell. ChatGPT-4 extrahierte neun Texturmerkmale, die signifikante Unterschiede zwischen den Leberzuständen zeigten (P<.05), erreichte eine Genauigkeit von 76 % und eine Sensitivität von 83 %. Im Vergleich zu IDL war die Sensitivität etwas niedriger (0,83 vs. 0,89), jedoch reduzierte ChatGPT-4 die Analysezeit um 40 %. Die Ergebnisse deuten auf ein hohes Potenzial von ChatGPT-4 für die automatisierte Bildanalyse hin, wobei Verbesserungen in der Reproduzierbarkeit und diagnostischen Genauigkeit erforderlich sind. (Sultan u. a. 2025)
Die Studie “Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging” bietet eine Übersicht über die Integration von Künstlicher Intelligenz (KI) in die Radiologie und deren transformative Auswirkungen auf die Gesundheitsversorgung. Sie verfolgt die Entwicklung der Radiologie von der Entdeckung der Röntgenstrahlen bis zur Anwendung von maschinellem Lernen (ML) und Deep Learning in der modernen medizinischen Bildanalyse. Der Schwerpunkt liegt auf den Anwendungen von KI in der Radiologie, wie Bildsegmentierung, computergestützter Diagnose, prädiktiver Analytik und Workflow-Optimierung. Darüber hinaus beleuchtet die Studie die Auswirkungen von KI auf diagnostische Prozesse, personalisierte Medizin und klinische Arbeitsabläufe und befasst sich auch mit den Herausforderungen, die mit der Integration von KI in die Radiologie verbunden sind, darunter Datenqualität, das „Black-Box“-Problem, infrastrukturelle und technische Komplexität sowie ethische Implikationen. (Najjar 2023)
Die Studie „Efficiency and Quality of Generative AI–Assisted Radiograph Reporting“ untersucht den Einsatz eines generativen KI-Modells zur Unterstützung bei der Radiologie-Berichterstellung. Dabei zeigte sich, dass die Nutzung des KI-Systems die Dokumentationszeit um 15,5% verkürzte, ohne die klinische Genauigkeit oder Textqualität der Berichte zu beeinträchtigen. Zudem konnte das System wichtige Pneumothoraces mit hoher Sensitivität und Spezifität schnell erkennen, was zu einer schnelleren Behandlung beitragen kann. Die Ergebnisse deuten darauf hin, dass die Zusammenarbeit zwischen Radiologen und generativer KI die Effizienz verbessert und die Qualität der Patientenversorgung erhalten bleibt. (Huang u. a. 2025)
„Recognising errors in AI implementation in radiology: A narrative review“ ist eine Übersichtsarbeit, die sich mit typischen Fehlerquellen bei der Implementierung von Künstlicher Intelligenz in der Radiologie befasst. Die Autor:innen beschreiben, dass Probleme sowohl im Lebenszyklus der Modelle, in der technischen Infrastruktur als auch durch menschliche Faktoren entstehen können. Dazu gehören Aspekte wie mangelnde Datenqualität, Bias, unzureichendes Testen, Integrationsprobleme in PACS/RIS sowie fehlende Akzeptanz und Vertrauen seitens der Anwender. Ziel der Arbeit ist es, diese Fehlermechanismen zu identifizieren und Lösungsansätze vorzuschlagen, um künftige Implementierungen sicherer, effizienter und klinisch relevanter zu gestalten. (Stogiannos u. a. 2025)
Der Artikel mit dem Titel „Evaluation of Reliability, Repeatability, Robustness, and Confidence of GPT-3.5 and GPT-4 on a Radiology Board–style Examination“ untersucht die Leistungsfähigkeit der KI-Modelle GPT-3.5 und GPT-4 bei radiologischen Prüfungsfragen. Im Rahmen der Studie wurden die Zuverlässigkeit, Wiederholbarkeit, Robustheit und das Vertrauen der Modelle bei der Beantwortung komplexer radiologischer Multiple-Choice-Fragen analysiert. Dabei zeigte GPT-4 eine signifikant bessere Gesamtgenauigkeit und verbesserte Leistung insbesondere bei schwierigen Fragestellungen im Vergleich zu GPT-3.5. Die Ergebnisse verdeutlichen das Potenzial großer Sprachmodelle wie GPT-4 als unterstützende Werkzeuge in der Radiologie, wobei jedoch auch ihre Grenzen berücksichtigt werden müssen. Die Studie liefert wichtige Erkenntnisse zur Integration solcher KI-Modelle in die medizinische Diagnostik und Ausbildung. (Krishna u. a. 2024)
Die Studie „Prospektive multizentrische Validierung künstlicher Intelligenz zur Erkennung von Tuberkulose und Thoraxröntgenanomalien“ untersucht den Einsatz von KI-Algorithmen zur Analyse von Thoraxaufnahmen. In mehreren klinischen Einrichtungen wurde geprüft, wie zuverlässig die Systeme Tuberkulose-typische Veränderungen sowie andere Auffälligkeiten auf Röntgenbildern erkennen. Ziel war es, den diagnostischen Ablauf zu verbessern und den Einsatz molekularer Nachweisverfahren insbesondere in Ländern mit hoher Krankheitslast effizienter zu gestalten. Die Arbeit basiert auf einer prospektiven Datenerhebung und vergleicht die Leistung der KI mit etablierten diagnostischen Verfahren, ohne subjektive Wertung der Ergebnisse. (Kazemzadeh u. a. 2024)
Patientenkommunikation
Die Studie “ReXplain: Translating Radiology into Patient-Friendly Video Reports” stellt ein KI-gestütztes System, das Radiologieberichte in patientenfreundliche Videoberichte umwandelt. Es kombiniert ein großes Sprachmodell zur Vereinfachung von Texten, ein Bildsegmentierungsmodell zur Identifikation anatomischer Regionen und ein Avatar-Generierungstool, um verständliche Erklärungen mit einfacher Sprache, hervorgehobenen Bildern und 3D-Organ-Renderings zu erstellen. Eine Machbarkeitsstudie mit fünf Radiologen zeigt, dass ReXplain radiologische Informationen vermittelt und persönliche Beratungen simuliert. Dieses System eröffnet neue Möglichkeiten für die multimodale medizinische Kommunikation und verbessert potenziell die Patientenbeteiligung und Zufriedenheit in der radiologischen Versorgung. (Luo u. a. 2024)
Datensätze
Weiteres
Der Artikel „Structuring Radiology Reports: Challenging LLMs with Lightweight Models” untersucht die Strukturierung von radiologischen Befunden durch kompakte, spezialisierte Deep-Learning-Modelle im Vergleich zu großen Sprachmodellen wie LLaMA-3 oder GPT-4. Die Arbeit demonstriert anhand der frei verfügbaren MIMIC-CXR- und CheXpert-Plus-Datensätze, dass ein speziell trainiertes BERT2BERT-Modell mit rund 300 Millionen Parametern eine ähnliche Genauigkeit bei der strukturierten Berichtserstellung erreicht wie deutlich größere LLMs – jedoch bei erheblich geringerer Rechenlast, niedrigeren Kosten und deutlich reduziertem CO₂-Ausstoß. Für das Training wurde eine große Datenbasis erzeugt, indem GPT-4 zunächst als „schwacher Annotator“ eingesetzt wurde; ein ärztlich begutachteter Testdatensatz diente zur Qualitätsprüfung. Die Ergebnisse unterstreichen, dass kleine, domänenspezifische Modelle eine datenschutzkonforme, ressourcenschonende und skalierbare Alternative zu Cloud-basierten LLM-Lösungen insbesondere für regulierte Gesundheitseinrichtungen bieten können.
Der Artikel „Closing the Loop: A Custom Artificial Intelligence Agent to Improve Detection of Radiologist Follow‑Up Recommendations“ beschreibt die Entwicklung und Implementierung eines KI‑basierten Agenten, der radiologische Befundempfehlungen automatisch erkennt und standardisiert. Das System nutzt ein vortrainiertes Large‑Language‑Model, um klinische Eindrücke zu analysieren, relevante Details für Nachuntersuchungen zu extrahieren und diese Informationen in den digitalen Arbeitsablauf für Patientenansprachen zu integrieren. In einer Evaluation mit 10 000 zufällig ausgewählten Befunden erreichte der Agent eine balancierte Genauigkeit von über 97 % und identifizierte 6,18‑mal mehr Fälle, die einer Nachverfolgung bedurfen, als das bisherige makrobasierte System. Zusätzlich zeigte er über 94 % Genauigkeit bei der Bestimmung von Zeitpunkt, Verfahren und zugrunde liegender Anomalie der empfohlenen Nachuntersuchungen, wodurch die Zuverlässigkeit der Patientenversorgung in einem hochvolumigen Gesundheitssystem verbessert wurde.
„Merlin: a computed tomography vision–language foundation model and dataset“ ist ein in Nature am 4. März 2026 veröffentlichter Artikel. Er stellt das 3D-Vision-Language-Modell Merlin vor, das volumetrische abdominale CT-Scans, elektronische Patientenakten und Radiologieberichte integriert. Das Modell wurde auf einem großen klinischen Datensatz mit über 15.000 CT-Scans (mehr als 6 Millionen Bildern), Diagnosecodes und Berichten trainiert, ohne zusätzliche manuelle Annotationen. Merlin wurde auf 752 Aufgaben evaluiert, darunter Zero-Shot-Klassifikationen, Cross-Modal-Retrieval, Krankheitsvorhersagen, Berichtsgenerierung und 3D-Segmentierung. Es zeigte hohe Generalisierung in internen und externen Tests (über 49.000 Scans) und übertraf 2D-VLMs sowie andere CT-Modelle. Der Datensatz mit 25.494 CT-Bericht-Paaren, Modellgewichte und Code wurden öffentlich freigegeben, um die Interpretation abdominaler CTs zu unterstützen und Radiologen zu entlasten.
Der Artikel mit dem Titel „Metrics for Artificial Intelligence in Medicine: A Reference Resource“ erschien am 11. März 2026 in der Zeitschrift Radiology: Artificial Intelligence. Die Autoren Ricardo A. Gonzales, Marcelo Straus Takahashi, Tara Retson, Imon Banerjee, Seong Ho Park und Charles E. Kahn Jr. stellen darin ein umfassendes, maschineninterpretierbares Framework vor, das die Nomenklatur und Beschreibungen von 207 graphischen, matrixbasierten und skalaren Metriken zur Bewertung der Leistung von KI-Modellen in der Medizin formalisiert. Diese Metriken-Taxonomie ist Bestandteil der Radiology Ontology of AI Datasets, Models and Projects (ROADMAP) und bietet eine logisch strukturierte Darstellung, die Semantik erfasst, Schlussfolgerungen über Metrikklassen ermöglicht und automatisierte Vollständigkeitsprüfungen bei der Berichterstattung von KI-Modellen unterstützt. Jede Metrik wird mit Definition, Quellenangaben, Synonymen, Abkürzungen, Formeln und Grenzwerten versehen; logische Axiome verknüpfen sie mit 18 Leistungskriterien wie Klassifikation, Kalibrierung, Bildsegmentierung und Textanalyse. Das System gilt für Modelle auf strukturierten Daten, medizinischen Bildern, Audiosignalen und unstrukturiertem Text und fördert durch standardisierte Terminologie den Vergleich von Modellen, die Bias-Erkennung sowie die Auswahl geeigneter Evaluationsmethoden.
Der Artikel mit dem Titel „Roadmap: An Ontology of Medical AI Models and Datasets“ stellt die Radiology Ontology of AI Datasets, Models, and Projects (ROADMAP) vor. Diese Ontologie wurde von Forschern um Abhinav Suri, Marcelo Straus Takahashi, Tara Retson und Charles E. Kahn Jr. entwickelt und im März 2026 in der Zeitschrift Radiology: Artificial Intelligence veröffentlicht. ROADMAP bietet ein maschineninterpretierbares Rahmenwerk zur standardisierten Beschreibung von KI-Modellen und -Datensätzen in der Medizin, insbesondere der Radiologie. Sie definiert formale Attribute und zulässige Werte, baut auf Konzepten wie „Model Cards“ und „Datasheets for Datasets“ auf und erweitert diese um Unterstützung multimodaler Daten (medizinische Bilder, strukturierte Daten, unstrukturierter Text). Durch Verknüpfung mit etablierten Ontologien, Kodiersystemen und Common Data Elements verbessert ROADMAP die Auffindbarkeit, Interoperabilität und Wiederverwendbarkeit von KI-Ressourcen. Sie ermöglicht das passgenaue Zuordnen von Modellen zu Datensätzen sowie die Erkennung potenzieller Bias-Quellen und ist öffentlich unter bioportal.bioontology.org/ontologies/ROADMAP verfügbar.
Der Artikel „Full-scale indexing and semantic annotation of CT imaging: boosting FAIRness“ (veröffentlicht am 9. Februar 2026 in BMC Medical Informatics and Decision Making) stellt eine automatisierte Methode zur semantischen Anreicherung klinischer CT-Bildserien vor. Autoren sind Hannes Ulrich, Robin Hendel und Björn Schreiweis. Ziel ist die Verbesserung der FAIR-Prinzipien (Findability, Accessibility, Interoperability, Reusability) für medizinische Bilddaten. Dazu wird das TotalSegmentator-Framework eingesetzt, um anatomische Strukturen zu segmentieren und diese mit SNOMED-CT-Codes zu annotieren. Die Metadaten werden in standardisierten HL7-FHIR-Ressourcen abgebildet. Im UKSH MeDIC am Universitätsklinikum Schleswig-Holstein wurden bis November 2025 über 1,7 Millionen CT-Serien verarbeitet, was mehr als 50 Millionen SNOMED-CT-Annotationen ergab. Der offene Prozess ermöglicht eine effiziente, skalierbare Indexierung und unterstützt die bessere Auffindbarkeit sowie den standardisierten Austausch von Bilddaten für Forschung und KI-Anwendungen in der Medizin.
Artificial intelligence in emergency skeletal X-ray: post-deployment monitoring and clinical impact of incorrect AI results untersucht den Einsatz der KI-Anwendung BoneView™ in der Notfallradiologie und bewertet deren Einfluss auf Diagnostik und Patientenmanagement. Die Studie zeigt, dass KI eine hohe diagnostische Genauigkeit erreicht (Sensitivität 0,95; Spezifität 0,90), jedoch nicht fehlerfrei ist. Entscheidend ist die Rolle der radiologischen Fachkräfte: In etwa 20 % der Fälle wurde der Behandlungsweg durch menschliche Überprüfung angepasst, insbesondere bei fehlerhaften KI-Befunden. Insgesamt führte der KI-gestützte Workflow nur in einem Fall zu einer vorzeitigen Entlassung, die später korrigiert wurde. Die Ergebnisse unterstreichen, dass KI als unterstützendes Werkzeug effektiv ist, jedoch menschliche Kontrolle für sichere klinische Entscheidungen unerlässlich bleibt.
Die Studie “Radiologist Perceptions of an AI Tool for Intracranial Hemorrhage Detection in Teleradiology: Cross-Sectional Survey Study” untersucht die Erfahrungen von 65 Radiologinnen und Radiologen mit einem FDA-zugelassenen KI-System zur Erkennung intrakranieller Blutungen in der Teleradiologie. Die Befragten berichteten vor allem über eine hohe Belastung durch Fehlalarme, begrenzte Zeitersparnis und ein stark situationsabhängiges Vertrauen in die KI. Nur wenige gaben an, ihre Befunde nach einem negativen KI-Ergebnis weniger sorgfältig zu prüfen. Die Ergebnisse unterstreichen die Bedeutung von Spezifität, guter Workflow-Integration und transparenter KI-Unterstützung für die klinische Akzeptanz.
„Automated ultrasound with AI for osteophyte grading in hand osteoarthritis: comparison with expert rheumatologist assessment“ beschreibt eine Studie zur Bewertung eines automatisierten Ultraschallsystems (ARTHUR v.2.0) kombiniert mit einem KI-Modell (DIANA v.2.0) zur Graduierung von Osteophyten bei Handarthrose. Die Ergebnisse zeigen eine moderate Übereinstimmung mit rheumatologischen Expert:innen, jedoch eine eingeschränkte Sensitivität insbesondere bei der Detektion von Läsionen. Die Studie weist zudem auf technische Limitierungen bei der Bildakquisition, insbesondere in distalen Gelenken, hin.
Der Artikel „CheXthought: A global multimodal dataset of clinical chain-of-thought reasoning and visual attention for chest X-ray interpretation“ stellt einen umfangreichen Datensatz vor, der klinische Entscheidungsprozesse von Radiologen mit visuellen Aufmerksamkeitsdaten kombiniert. Ziel ist es, KI-Modelle für die Interpretation von Thorax-Röntgenbildern transparenter, nachvollziehbarer und genauer zu machen. Der Datensatz umfasst über 100.000 strukturierte Denkprozesse und Millionen annotierter Bildbereiche von Radiologen weltweit und zeigt deutliche Verbesserungen in Genauigkeit, räumlicher Zuordnung und Unsicherheitsbewertung gegenüber bestehenden Modellen.
Der Artikel „Merlin: a computed tomography vision–language foundation model and dataset“ beschreibt ein neues 3D-Vision-Language-Modell für die automatisierte Analyse von abdominalen CT-Scans. Das Modell Merlin kombiniert volumetrische CT-Bilddaten, elektronische Gesundheitsdaten und radiologische Befunde und wurde mit mehr als 15.000 CT-Untersuchungen trainiert. In umfangreichen Tests zeigte Merlin hohe Generalisierungsfähigkeit bei Diagnose-, Prognose- und Segmentierungsaufgaben und übertraf bestehende 2D-VLMs sowie andere Radiologie-Modelle. Die Autoren veröffentlichen zudem Modell, Code und einen großen Datensatz öffentlich zur weiteren Forschung.
Der Preprint „CheXthought“ beschreibt einen groß angelegten Datensatz für die Thoraxröntgen-Befundung, der nicht nur Bilder und Berichte, sondern auch menschliche klinische Denkprozesse („Chain-of-Thought“) und visuelle Aufmerksamkeit erfasst. Enthalten sind über 103.000 reasoning traces und mehr als 6,6 Millionen visuelle Annotationen aus 50.312 Chest-X-rays, erstellt von 501 Radiologinnen und Radiologen aus 71 Ländern. Die Autoren zeigen, dass Modelle mit diesen Daten weniger Halluzinationen erzeugen, Befunde besser räumlich verankern, Unsicherheit transparenter kommunizieren und zeitliche Veränderungen in Serienaufnahmen robuster interpretieren. Zudem wird demonstriert, dass visuelle Suchtrajektorien als Inferenz-Hinweis die diagnostische Leistung verbessern können. Die Arbeit positioniert CheXthought als Grundlage für transparentere und besser interpretierbare medizinische Vision-Language-Modelle.
„A data- and compute-efficient chest X-ray foundation model beyond aggressive scaling“ beschreibt mit CheXficient ein effizientes multimodales Foundation Model für Thorax-Röntgenbilder, das durch aktive Datenkuratierung statt reiner Datenskalierung trainiert wird. Das Modell nutzt nur 22,7 % von 1,235 Mio. Bild-Report-Paaren und weniger als 27,3 % des Rechenaufwands, erreicht dabei jedoch vergleichbare oder bessere Ergebnisse als vollständig trainierte Basismodelle. Die Autoren zeigen, dass gezielte Auswahl informativer und unterrepräsentierter Fälle die Generalisierbarkeit verbessert, insbesondere bei seltenen thorakalen Erkrankungen. Evaluierungen über 20 Benchmarks umfassen Zero-Shot-Klassifikation, Cross-Modal-Retrieval, Segmentierung und radiologische Berichtsgenerierung. Die Arbeit stellt damit eine ressourceneffiziente Alternative zum bisherigen „Scale-at-all-costs“-Paradigma in medizinischen Foundation Models vor.
Die Arbeit „Improving Performance, Robustness, and Fairness of Radiographic AI Models with Finely-Controllable Synthetic Data“ beschreibt mit RoentGen-v2 ein neues Diffusionsmodell zur Erzeugung synthetischer Thorax-Röntgenbilder. Das Modell kann nicht nur radiologische Befunde, sondern auch demografische Merkmale wie Geschlecht, Alter und Ethnie gezielt steuern. Die Autoren zeigen, dass ein zweistufiges Training – Vortraining auf synthetischen Daten und anschließendes Fine-Tuning mit realen Daten – die Leistung, Generalisierbarkeit und Fairness diagnostischer KI-Modelle deutlich verbessert. Besonders relevant ist die Reduktion von Fairness-Lücken zwischen demografischen Gruppen bei gleichzeitig höherer Klassifikationsgenauigkeit. Die Studie stellt zudem Datensätze, Modelle und Code als Open Source bereit.
„Real-World Imaging Data: Opportunities and Challenges“ beschreibt das Potenzial routinemäßig erhobener medizinischer Bilddaten für Forschung, klinische Studien und biopharmazeutische Anwendungen. Hervorgehoben werden insbesondere der zusätzliche Informationswert gegenüber EHR- und Abrechnungsdaten sowie zentrale Herausforderungen durch Bias, heterogene Aufnahmeprotokolle, DICOM-basierte Datenstrukturen, Deidentifizierung, Speicherung und Datenharmonisierung. Als wichtige Gegenmaßnahmen werden standardisierte Datenmodelle, sorgfältige Kohortengestaltung, Verknüpfung mit klinischen Daten und externe Validierung genannt.
„Foundation models in biomedical imaging: turning hype into reality“ untersucht den Einsatz von Foundation Models in der biomedizinischen Bildgebung und deren Grenzen bei der klinischen Umsetzung. Die Autoren stellen mit REAL-FM ein mehrdimensionales Bewertungsframework vor und zeigen, dass aktuelle Modelle zwar stark in der Mustererkennung sind, aber Schwächen bei kausalem Schlussfolgern, Robustheit und Sicherheit aufweisen. Für den klinischen Einsatz bleiben repräsentative Daten, prospektive Validierung, Workflow-Integration und menschliche Aufsicht entscheidend. (Muneer u. a. 2026)
Causal-SAM-LLM: Large Language Models as Causal Reasoners for Robust Medical Segmentation untersucht den Einsatz großer Sprachmodelle zur Verbesserung der Robustheit medizinischer Bildsegmentierung gegenüber unbekannten Domänen. Das Framework kombiniert sprachbasierte Entkopplung von bildgebungsabhängigen Stileffekten mit einer sprachgesteuerten Intervention zur Korrektur von Segmentierungsfehlern. In Experimenten mit BTCV, CHAOS, AMOS und BraTS erreicht es gegenüber Vergleichsverfahren höhere OOD-Dice-Werte und geringere Hausdorff-Distanzen bei weniger als 9 % der trainierbaren Parameter eines vollständigen Modells.
The Emergence of Foundation Models in U.S. Radiology: A Narrative Review of Clinical Utility, Safety, and Evaluation untersucht den Einsatz von Foundation Models in der US-amerikanischen Radiologie. Die Arbeit zeigt großes Potenzial für multimodale Diagnostik, Befundung und Workflow-Unterstützung, zugleich aber erhebliche Defizite bei klinischer Validierung, Sicherheit, Generalisierbarkeit, Regulierung und institutioneller Integration. Als zentrale Voraussetzungen für eine verantwortungsvolle Einführung werden Human-in-the-Loop-Systeme, kontinuierliches Monitoring, faire Datengrundlagen und klarere regulatorische Rahmenbedingungen hervorgehoben.
RadFusion: Towards Threshold-Controllable Radiology Report Generation beschreibt ein Verfahren zur steuerbaren Erstellung radiologischer Befunde. Das System kombiniert einen Bildklassifikator, ein VQA-basiertes Berichtssystem und ein LLM, sodass Berichte an unterschiedliche Sensitivitäts- und Spezifitätsanforderungen angepasst werden können. Auf MIMIC-CXR folgten die erzeugten Berichte der ROC-Kurve des Klassifikators; gegenüber unkontrollierter Berichtsgenerierung stieg die Sensitivität bei gleicher Spezifität um 6,9 % und die Spezifität bei gleicher Sensitivität um 20,7 %.
„Deep learning-derived biological age from preoperative chest radiographs predicts mortality following surgical and transcatheter procedures for structural heart disease beyond EuroSCORE II“ untersucht die prognostische Aussagekraft einer mittels Deep Learning aus präoperativen Thoraxröntgenaufnahmen bestimmten biologischen Alters. In einer retrospektiven Kohorte von 1269 Patientinnen und Patienten übertraf das biologische Alter EuroSCORE II bei der Vorhersage der 30-Tage-Mortalität, insbesondere bei TAVI-Patienten (AUC 0,952 vs. 0,745). Die Ergebnisse sprechen dafür, dass die automatisierte Bestimmung des biologischen Alters eine ergänzende, ohne zusätzliche Untersuchung verfügbare Risikostratifizierung ermöglichen könnte.
Der Text erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit und stellt keine Rechtsberatung dar. Anmerkungen können in der rechten Seitenleiste mit Hypothes.is sozialem Annotierungswerkzeug oder am unteren Ende einer Seite mit GitHub Giscus Diskussionen hinterlassen werden.