Die Radiologie als Vorreiter der Digitalisierung

In einem Universitätsklinikum entstehen jeden Tag Tausende digitale radiologische Aufnahmen – CT-Scans, MRT-Bilder und Röntgenaufnahmen –, die randvoll mit Informationen sind. Selbst die erfahrenste Radiologin kann diese in der verfügbaren Zeit meist nicht vollständig erfassen. Genau hier kann Künstliche Intelligenz (KI) unterstützen: Sie extrahiert aus enormen Bilddatenmengen klinisch relevante Informationen, die dem menschlichen Auge verborgen bleiben oder deren manuelle Auswertung unverhältnismäßig aufwendig wäre. Am Institut für Diagnostische und Interventionelle Radiologie der TU München haben Lisa Adams und Keno Bressem mit der Forschungsgruppe „AI-Assisted Healthcare” (AIAH) ein interdisziplinäres Team aufgebaut, das KI-Anwendungen von der Grundlagenforschung bis in den klinischen Alltag entwickelt. Ihre Arbeit gliedert sich in zwei zentrale Säulen – bildbasierte und sprachbasierte KI –, die sich gegenseitig ergänzen und gemeinsam auf dasselbe Ziel hinarbeiten: eine Medizin, die präziser, schneller und näher am Menschen ist.

Bildbasierte KI. Algorithmen, die sehen lernen

In der Radiologie galten lange bestimmte Kompromisse als unvermeidlich: Weniger Strahlenbelastung bedeutete eine schlechtere CT-Bildqualität und kürzere MRT-Scanzeiten eine schlechtere Auflösung – zulasten der Patientinnen und Patienten sowie der Medizinerinnen und Mediziner. Wenn die Patientinnen und Patienten geschont werden sollten, führte dies zu schlechterem Bildmaterial für Diagnose und Behandlung. Wollten die Ärztinnen und Ärzte aussagekräftigere Aufnahmen, mussten sie ihre Patientinnen und Patienten einer stärkeren Strahlenbelastung aussetzen. Die KI-basierte Bildrekonstruktion hat diese Abwägungen überflüssig gemacht und ermöglicht heute bei niedrigerer Dosis und kürzeren Untersuchungszeiten bessere Bilder. Für Adams und Bressem war dies der entscheidende Moment: KI verändert nicht nur Prozesse, sondern auch das, was in der Medizin überhaupt möglich ist.
Seither haben wir diesen Ansatz konsequent weiterentwickelt. Deep-Learning-Algorithmen erkennen in MRT-Aufnahmen tumorverdächtige Läsionen in der Prostata und entzündliche Veränderungen bei axialer Spondyloarthritis mit einer Genauigkeit, die der von erfahrenen Radiologinnen nahekommt. Ein zentrales, von der Wilhelm Sander-Stiftung gefördertes Projekt wendet dieses Prinzip nun auf die Nierentumordiagnostik an. Etwa 15 Prozent aller operierten Nierentumoren erweisen sich im Nachhinein als gutartig, da die Bildgebung allein keine zuverlässige Unterscheidung ermöglicht. Ein multimodales KI-System, das Bilddaten mit Laborwerten und klinischen Informationen kombiniert, soll dies ändern und unnötige Operationen vermeiden. Die technische Grundlage dafür ist der MRSegmentator: ein von uns entwickeltes Modell, das über 40 anatomische Strukturen in CT- und MRT-Aufnahmen automatisch erkennt. Als Open-Source-Werkzeug steht es der internationalen Forschungsgemeinschaft frei zur Verfügung.

Sprachbasierte KI. Wenn Maschinen Befunde lesen und schreiben

Während bildbasierte KI die Diagnostik verändert, eröffnet sprachbasierte KI eine neue Dimension: die Kommunikation. Ein radiologischer Befund ist für die meisten Patientinnen und Patienten ein schwer begreifbares Dokument: dicht, fachsprachlich und oft beunruhigend. In einer prospektiven Studie mit 200 onkologischen Patientinnen und Patienten haben wir CT-Befunde mithilfe eines lokal betriebenen Sprachmodells in eine verständliche Sprache übersetzt. Die Wirkung war spürbar und wissenschaftlich messbar: Die kognitive Belastung sank signifikant und das Verständnis der eigenen Erkrankung verbesserte sich nachweislich.

„Mehrere Patienten äußerten, dass sie zum ersten Mal das Gefühl hätten, ihren radiologischen Befund vollumfänglich nachvollziehen zu können.”

Dieses Ergebnis, das in der Fachzeitschrift Radiology publiziert wurde, steht beispielhaft für das Potenzial großer Sprachmodelle (Large Language Models, LLMs) in der Medizin. Dabei handelt es sich um KI-Systeme, die menschliche Sprache verstehen und erzeugen können. Radiologische Befunde sind ein besonders geeignetes Anwendungsfeld dafür: Sie sind textbasiert, strukturiert und klinisch dicht. Mit „medAlpaca” hat unsere Gruppe eines der ersten frei verfügbaren medizinischen Sprachmodelle entwickelt. Wir haben gezeigt, dass LLMs Freitextbefunde automatisch in strukturierte Berichte überführen können – mehrsprachig und mit hoher Genauigkeit. Ergänzt wird dieser Ansatz durch RadioRAG: ein System, das Sprachmodelle mit einer Echtzeit-Wissenssuche in radiologischen Fachdatenbanken verknüpft. Dadurch wird sichergestellt, dass KI-generierte Antworten auf aktuellen Leitlinien und Fachliteratur basieren. Dass all dies innerhalb der gesicherten Infrastruktur des Klinikums möglich ist, ohne dass Patientendaten an externe Cloud-Dienste weitergegeben werden, ist dabei keine technische Randnotiz, sondern eine ethische Grundbedingung.

Ausblick. Vom Werkzeug zum Assistenten

Bild und Sprache zusammenzuführen, ist der nächste Schritt. Mit der Förderung der Wilhelm Sander-Stiftung entwickeln wir ein multimodales Foundation Model für die onkologische Bildgebung. Dabei handelt es sich um ein KI-System, das auf über 100.000 segmentierten CT- und MRT-Untersuchungen trainiert wird, um zu lernen, Tumorregionen von gesundem Gewebe zu unterscheiden. Foundation Models können anschließend mit minimalem Aufwand an spezifische klinische Fragestellungen angepasst werden. Damit bilden sie die Grundlage für eine neue Generation von KI-Assistenten, die mehrstufige Arbeitsabläufe eigenständig unterstützen: von der Protokollauswahl über die Bildanalyse bis zur Befunderstellung. Unser Ziel ist die Identifikation neuer bildbasierter Biomarker, die eine individuellere Therapieplanung in der Onkologie ermöglichen. Die ärztliche Expertise bleibt dabei unverwechselbar. KI ersetzt nicht die Radiologin oder den Radiologen, sondern verschafft ihnen Zeit für das, was wirklich zählt: die klinische Einordnung, das Gespräch mit Zuweisenden und die Betreuung komplexer Fälle. Die Förderung durch die Wilhelm Sander-Stiftung ermöglicht diese translationalen Projekte – von der KI-gestützten Nierentumordiagnostik und dem MRSegmentator bis hin zum multimodalen Foundation Model. Sie unterstützt Adams und Bressem dabei, innovative Technologien dort zu erproben, wo sie den größten Nutzen für Krebspatientinnen und -patienten entfalten können.