KI unterstützt die Krankheitsdiagnose anhand von Röntgen-, MRT- und CT-Bildern

Medizinische Bildgebung ist zentral für die Diagnose. Röntgen-, CT- und MRT-Scans erzeugen umfangreiche visuelle Daten über den inneren Zustand des Körpers. 

Zum Beispiel werden weltweit jährlich über 3,5 Milliarden Röntgenuntersuchungen durchgeführt, und Krankenhäuser generieren Petabytes an Bilddaten. Dennoch bleiben viele Bilder unanalysiert – Schätzungen zufolge werden etwa 97 % der Radiologiedaten nicht genutzt.

Diese Diskrepanz entsteht durch die enorme Arbeitsbelastung der Radiologen. Künstliche Intelligenz (KI), insbesondere Deep Learning, kann helfen, indem sie Bilder automatisch „liest“. Auf großen Bilddatenbanken trainierte konvolutionale neuronale Netze lernen, Krankheitsmuster (wie Tumore, Frakturen oder Infektionen) zu erkennen, die subtil oder schwer zu entdecken sind. In der Praxis kann KI verdächtige Bereiche hervorheben, Auffälligkeiten quantifizieren und sogar Krankheiten vorhersagen.

Heute haben Regulierungsbehörden bereits hunderte KI-Tools für die Bildgebung zugelassen, wobei die FDA bis 2025 über 800 Radiologie-Algorithmen auflistet. Dies spiegelt einen bedeutenden Wandel wider: KI wird in Röntgen-, CT- und MRT-Verfahren integriert, um Kliniker zu unterstützen, nicht zu ersetzen.

KI-Verbesserungen bei der Röntgenbildgebung

Röntgenaufnahmen sind die häufigsten diagnostischen Bilder – schnell, kostengünstig und weit verbreitet. Sie werden zur Diagnose von Lungenerkrankungen (Pneumonie, Tuberkulose, COVID-19), Knochenbrüchen, Zahnproblemen und mehr eingesetzt.

Das Lesen von Röntgenbildern erfordert jedoch Erfahrung, und an vielen Orten fehlen ausreichend Radiologen. KI kann die Belastung verringern.

Beispielsweise wurden Deep-Learning-Modelle wie das bekannte CheXNet mit hunderttausenden von Thorax-Röntgenbildern trainiert. CheXNet (ein 121-lagiges CNN) erkennt Pneumonien auf Thorax-Röntgenbildern mit einer Genauigkeit, die über der von praktizierenden Ärzten liegt. In der Orthopädie kann die KI-gestützte Röntgenanalyse automatisch subtile Frakturlinien identifizieren, die in vielbeschäftigten Kliniken übersehen werden könnten.

• Wichtige KI-Aufgaben bei Röntgenbildern: Erkennung von Lungenerkrankungen (Pneumonie, Tuberkulose, Krebs), Pneumothorax und Flüssigkeitsansammlungen; Erkennung von Knochenbrüchen oder Verrenkungen; Screening auf COVID-19 oder andere Infektionen. KI-Tools können diese Befunde sofort markieren und so die Priorisierung dringender Fälle unterstützen.
• Klinische Ergebnisse: In einigen Studien erreichte KI die Leistung von Radiologen. So übertraf CheXNet die durchschnittliche Genauigkeit von Ärzten bei Pneumonie-Fällen.
  Tests in realen Krankenhäusern zeigen jedoch Grenzen: Eine große Studie ergab, dass Radiologen bei Thorax-Röntgenbildern immer noch bessere Ergebnisse erzielten und eine höhere Genauigkeit bei der Identifikation von Lungenbefunden erreichten. Die KI-Tools zeigten eine hohe Sensitivität (72–95 % für verschiedene Befunde), aber auch mehr Fehlalarme als Ärzte.

Kurz gesagt, KI kann Röntgenbilder zuverlässig vorfiltern und auf Auffälligkeiten hinweisen, die endgültige Diagnose beruht jedoch weiterhin auf menschlichem Urteil. Wie eine Zusammenfassung aus der Radiologie warnt, ist KI noch kein vollständig autonomer Diagnostiker für Röntgenbilder.

KI-Innovationen bei der CT-Bildgebung

Die Computertomographie (CT) erzeugt detaillierte Querschnittsbilder des Körpers und ist für viele Diagnosen (Krebs, Schlaganfall, Trauma usw.) unverzichtbar. KI zeigt großes Potenzial bei CT-Scans:

• Lungenkrebs: Aktuelle KI-Modelle können Lungen-Tumore auf CT-Bildern fast so gut erkennen und segmentieren wie erfahrene Radiologen. Eine Studie aus dem Jahr 2025 verwendete ein 3D U-Net neuronales Netzwerk, das auf einem großen Datensatz (über 1.500 CT-Scans) trainiert wurde, um Lungentumore zu identifizieren.
  Es erreichte eine Sensitivität von 92 % und Spezifität von 82 % bei der Tumorerkennung, mit einer Segmentierungsgenauigkeit, die fast der von Ärzten entspricht (Dice-Werte ca. 0,77 vs. 0,80). Die KI beschleunigte den Prozess: Das Modell segmentierte Tumore deutlich schneller als die Ärzte.
• Hirnblutung: In der Notfallmedizin unterstützt KI die schnelle Schlaganfallversorgung. Beispielsweise markiert der kommerzielle AIDOC-Algorithmus intrakranielle Blutungen auf Kopf-CTs. Studien berichten über eine Sensitivität von ca. 84–99 % und Spezifität von ca. 93–99 % bei der Erkennung von Hirnblutungen.
  Dies kann Ärzte innerhalb von Sekunden auf kritische Blutungen aufmerksam machen.
• Weitere CT-Anwendungen: KI wird auch bei Thorax-CTs zur Identifikation von COVID-19-Pneumonie-Mustern, bei CT-Angiographien zur Kalzium-Bewertung und bei abdominalen CTs zur Erkennung von Leberläsionen oder Nierensteinen eingesetzt.
  Im Beispiel Lungenkrebs könnte KI-unterstützte CT die Behandlungsplanung und Nachsorge durch genaue Messung des Tumorvolumens verbessern.

Vorteile bei CT: KI automatisiert mühsame Aufgaben (z. B. das Scannen von 3D-Volumen nach Knoten), verbessert die Konsistenz und unterstützt die Triage. Bei Traumata kann sie Frakturen oder Organverletzungen hervorheben.

Viele KI-Tools sind inzwischen zugelassen, um bei der Auswertung von Thorax- und Kopf-CTs zu helfen. Beispielsweise erstatten Behörden wie CMS bereits einige KI-Auswertungen (z. B. Koronarplaque-Bewertung bei Routine-Lungen-CTs).

KI-Fortschritte bei der MRT-Bildgebung

Die Magnetresonanztomographie (MRT) liefert kontrastreiche Bilder von Weichteilen (Gehirn, Wirbelsäule, Gelenke, Organe). KI macht MRT schneller und intelligenter:

• Schnellere Scans: Traditionell dauern hochwertige MRT-Scans lange, was zu Wartezeiten und Unannehmlichkeiten für Patienten führt. Neue KI-basierte Rekonstruktionsalgorithmen (Deep Learning Reconstruction, DLR) verkürzen die Scanzeit drastisch, indem sie fehlende Daten vorhersagen.
  Experten sagen, DLR könne MRT-Scans „ultraschnell“ machen, und die Technologie könnte auf allen Geräten zum Standard werden. Beispielsweise nutzten Forscher aus Großbritannien und GE Healthcare KI, um mit einem Niedrigfeld-MRT-Gerät (kostengünstiger) Bilder zu erzeugen, die mit konventionellen Hochfeld-Scans vergleichbar sind. Dies könnte MRT zugänglicher machen und Patientenwarteschlangen verkürzen.
• Scharfere Bilder: KI verbessert auch die Bildqualität. Indem sie den Unterschied zwischen verrauschten und klaren Scans lernt, reduziert DLR Rauschen in Echtzeit.
  Das bedeutet, MRT-Bilder sind klarer, mit weniger Bewegungsartefakten, selbst wenn Patienten sich bewegen. Für unruhige Kinder oder Traumapatienten reduzieren schnellere KI-Scans den Bedarf an Sedierung.
• Krankheitserkennung: In der klinischen Diagnostik glänzt KI bei der MRT-Analyse. Beispielsweise segmentieren und klassifizieren KI-Modelle Tumore im Gehirn präzise.
  Deep Learning kann Tumorgrenzen in 3D-MRTs markieren, deren Größe quantifizieren und sogar genetische Merkmale oder den Tumorgrad allein aus dem Bild vorhersagen. In der Neurologie findet KI schnell Schlaganfälle, Multiple-Sklerose-Läsionen oder Fehlbildungen. Auch die muskuloskelettale MRT (Gelenke, Wirbelsäule) profitiert: KI erkennt Bänderrisse oder Bandscheibenprobleme schneller als manuelle Methoden.

Insgesamt transformiert KI die MRT, indem sie Scans schneller und die Daten aussagekräftiger macht.

Durch die Integration von Patientenscans und Beschriftungsdaten ermöglicht KI 3D-Messungen, die eine personalisierte Behandlungsplanung unterstützen. Krankenhäuser, die mit KI-MRT experimentieren, berichten von reibungsloseren Abläufen und konsistenteren Befundungen.

Vorteile von KI in der medizinischen Bildgebung

KI bringt mehrere Vorteile bei Röntgen, CT und MRT:

• Geschwindigkeit & Effizienz: KI-Algorithmen analysieren Bilder in Sekunden. Sie markieren dringende Befunde (wie Lungenverschattungen, Schlaganfälle, Frakturen), sodass Ärzte die Versorgung priorisieren können.
  In der Lungen-Tumor-CT-Studie segmentierte die KI Tumore deutlich schneller als manuelle Nachzeichnung. Schnellere Bildgebung (insbesondere MRT) bedeutet mehr Patientendurchsatz und kürzere Wartezeiten.
• Genauigkeit & Konsistenz: Gut trainierte KI kann bei bestimmten Aufgaben die menschliche Genauigkeit erreichen oder übertreffen. Modelle wie CheXNet (Pneumonie-Erkennung) zeigten eine höhere Sensitivität als durchschnittliche Radiologen.
  KI eliminiert auch die Variabilität zwischen Beobachtern: Sie markiert denselben Befund jedes Mal konsistent. Diese quantitative Präzision (z. B. exaktes Tumorvolumen) unterstützt das Monitoring.
• Erweiterte Expertise: In Regionen mit wenigen Radiologen fungiert KI als Expertenassistent. Eine KI für Thorax-Röntgen kann in abgelegenen Kliniken vermutete Tuberkulose oder Pneumonie markieren und so den Zugang zur Diagnostik erweitern.
  Das CheXNet-Team der Stanford Universität weist darauf hin, dass automatisierte Expertenebene Bildgebungserkenntnisse in unterversorgte Gebiete bringen könnte.
• Quantitative Einblicke: KI kann verborgene Muster extrahieren. Beispielsweise sagen bestimmte KI-Modelle in der MRT genetische Mutationen von Tumoren oder Patientenergebnisse anhand von Bildmerkmalen voraus.
  Die Kombination von Bildanalyse mit Patientendaten könnte zu einer frühzeitigen Risikoabschätzung von Krankheiten führen.

Diese Vorteile treiben die Verbreitung voran: Tausende Krankenhäuser testen inzwischen KI-Tools auf ihren Bildgebungsplattformen.

Herausforderungen und Überlegungen

Trotz vielversprechender Ansätze gibt es bei KI in der Bildgebung Einschränkungen:

• Leistungsvariabilität: KI-Modelle sind nicht in jeder Umgebung gleichermaßen einsetzbar. Studien zeigen, dass einige Tools in einem Krankenhaus gut funktionieren, aber anderswo schlechter.
  Eine Studie zeigte, dass einige Radiologen sich mit KI-Unterstützung verbesserten, während andere mehr Fehler machten. Die Sensitivität der KI kann hoch sein, aber Fehlalarme (False Positives) sind ein Problem. Das bedeutet, dass Kliniker KI-Vorschläge überprüfen müssen.
• Notwendigkeit von Expertise: Radiologen bleiben unverzichtbar. Aktuelle Leitlinien betonen KI als Hilfsmittel, nicht als Ersatz.
  Die menschliche Aufsicht stellt sicher, dass Feinheiten und klinischer Kontext berücksichtigt werden. Die Integration erfordert Schulungen, damit Radiologen KI-Ergebnisse vertrauen und hinterfragen können.
• Datenqualität und Verzerrungen: KI ist nur so gut wie ihre Trainingsdaten. Bilddatensätze müssen groß und vielfältig sein.
  Schlechte Datenqualität, Ungleichgewichte (z. B. Überrepräsentation bestimmter Bevölkerungsgruppen) oder Artefakte können die KI-Leistung verzerren. Laufende Forschung ist nötig, um KI robust und fair zu machen.
• Regulierung und Kosten: Obwohl viele KI-Tools zugelassen sind (FDA-Zulassungen), kann die Implementierung teuer sein und erfordert Änderungen im Arbeitsablauf.
  Erstattungsmodelle entstehen gerade erst (z. B. CMS übernimmt einige KI-gestützte CT-Analysen). Krankenhäuser müssen Kosten für Software, Hardware und Schulungen berücksichtigen.
• Datenschutz und Sicherheit: Der Einsatz von KI involviert Patientendaten. Strenge Schutzmaßnahmen (Verschlüsselung, Anonymisierung) sind unerlässlich, um die Privatsphäre zu wahren.
  Cybersicherheit ist ebenfalls entscheidend, wenn KI-Systeme mit Netzwerken verbunden sind.

Trotz dieser Herausforderungen betonen Experten eine maßgeschneiderte Integration. Wie ein Bericht der Harvard Universität feststellt, kann ein sorgfältig gestalteter KI-gestützter Workflow die menschliche Leistung verbessern.

In der Praxis führt die Kombination aus der Geschwindigkeit der KI und dem Urteil der Kliniker zu den besten Ergebnissen.

Ausblick

KI in der medizinischen Bildgebung entwickelt sich rasant weiter. Führende Unternehmen und Forschungsteams verbessern kontinuierlich Algorithmen.

Beispielsweise könnten „Foundation Models“ (sehr große KI-Netzwerke, die auf vielfältigen medizinischen Daten trainiert sind) bald noch umfassendere diagnostische Fähigkeiten bieten. Wir erwarten, dass mehr Aufgaben (z. B. vollständige Organsegmentierung, Multi-Krankheitsscreening) automatisiert werden.

International arbeiten kollaborative Projekte daran, KI für die öffentliche Gesundheit zu nutzen (z. B. Tuberkulose-Screening in ressourcenarmen Regionen). Nationale Gesundheitssysteme (wie der NHS im Vereinigten Königreich) investieren in KI-fähige Scanner, um Kosten zu senken.

Mit der Zeit könnte KI-unterstützte Bildgebung zum Standard werden: schnelle Triage bei Notfällen, KI-gestütztes Screening auf Lungenkrebs und MRT-Scans, die in Sekunden abgeschlossen sind.

>>> Klicken Sie hier für weitere Informationen: KI erkennt Krebs frühzeitig anhand von Bildern

Zusammenfassend unterstützt KI die Krankheitsdiagnose durch Röntgen, CT und MRT, indem sie Genauigkeit, Geschwindigkeit und Zugänglichkeit verbessert.

Während Radiologen weiterhin die endgültigen Diagnosen stellen, helfen KI-Tools ihnen, mehr zu sehen und schneller zu arbeiten. Mit zunehmender Reife der Technologie wird KI ein unverzichtbarer Partner in der Bildgebung und verbessert die Patientenversorgung weltweit.