KI verändert auch die radiologische Weiterbildung
Künstliche Intelligenz wird in der Radiologie zunehmend als Unterstützung bei der Bildanalyse eingesetzt. Damit verändert sich nicht nur der klinische Alltag. Auch für die Ausbildung von Radiolog:innen ergeben sich neue Möglichkeiten und gleichzeitig neue Fragen.
KI-Systeme können beispielsweise auf mögliche pathologische Veränderungen aufmerksam machen und damit eine unmittelbare Rückmeldung während der Befundung ermöglichen. Gerade für Radiologie-Assistenzärzt:innen könnte daraus ein zusätzlicher Trainingseffekt entstehen.
Dem steht jedoch die Sorge gegenüber, dass eine regelmässige Unterstützung durch Algorithmen dazu führen könnte, dass eigene diagnostische Fähigkeiten weniger intensiv trainiert werden. Dieses Phänomen wird häufig als Deskilling bezeichnet.
Upskilling oder Deskilling?
Die in Insights into Imaging veröffentlichte Open-Access-Studie untersuchte den Einfluss eines KI-gestützten Trainings auf die diagnostische Leistung von Radiologie-Assistenzärzt:innen bei der Beurteilung von Thorax-Röntgenaufnahmen.
Die Ergebnisse sprechen für einen positiven Trainingseffekt: Beim Einsatz des KI-Systems verbesserte sich die diagnostische Genauigkeit signifikant. Gleichzeitig fanden die Forschenden keine Hinweise darauf, dass die Unterstützung durch künstliche Intelligenz zu einem Verlust grundlegender diagnostischer Kompetenzen führte.
Damit unterstützt die Untersuchung eher die Vorstellung eines Upskilling: KI kann im Rahmen der Weiterbildung als zusätzliches Werkzeug eingesetzt werden, das den Lernprozess unterstützt, statt ihn zu ersetzen.
KI als digitaler Trainingspartner
Für die radiologische Weiterbildung ist diese Unterscheidung entscheidend. Ein KI-System sollte nicht lediglich eine fertige Antwort liefern. Sein grösster didaktischer Nutzen könnte vielmehr darin bestehen, die eigene Beurteilung mit einer algorithmischen Einschätzung vergleichen zu können.
Assistenzärzt:innen können zunächst selbst eine Aufnahme analysieren und anschliessend überprüfen, ob das KI-System zusätzliche Befunde erkennt oder eine andere Einschätzung vornimmt. Abweichungen können wiederum Anlass sein, die eigene Interpretation kritisch zu hinterfragen.
Auf diese Weise kann KI zu einer Form des kontinuierlichen Feedbacks während der täglichen Befundung werden. Sie ersetzt damit weder die strukturierte Weiterbildung noch die Supervision durch erfahrene Radiolog:innen.
Die Gefahr des Deskilling bleibt eine wichtige Frage
Die Ergebnisse der Studie bedeuten allerdings nicht, dass ein Kompetenzverlust durch KI grundsätzlich ausgeschlossen werden kann. Entscheidend dürfte sein, wie solche Systeme in den Arbeits- und Lernprozess integriert werden.
Wer eine KI-Empfehlung lediglich übernimmt, ohne die Bildgebung zunächst selbstständig zu beurteilen, trainiert andere Fähigkeiten als jemand, der die algorithmische Einschätzung bewusst als zweite Meinung oder Lernkontrolle verwendet.
Deshalb sollte KI in der Weiterbildung nicht zum Ersatz für diagnostisches Denken werden. Die eigenständige Bildanalyse, das Erkennen relevanter Befunde, die klinische Einordnung und die kritische Bewertung der KI-Ergebnisse bleiben zentrale ärztliche Kompetenzen.
Auch KI kann sich irren
Ein weiterer Aspekt gehört ebenfalls zur Ausbildung: Radiolog:innen müssen lernen, nicht nur mit den Stärken, sondern auch mit den Fehlern künstlicher Intelligenz umzugehen. Ein Algorithmus kann Befunde übersehen, falsch klassifizieren oder Veränderungen markieren, die klinisch nicht relevant sind.
Die Fähigkeit, eine KI-Empfehlung kritisch zu überprüfen und gegebenenfalls zu verwerfen, dürfte deshalb selbst zu einer wichtigen radiologischen Kompetenz werden. Aus klassischer Befundungskompetenz entsteht zunehmend eine zusätzliche Form der AI Literacy.
Was bedeutet das für die radiologische Weiterbildung?
Die Studie liefert einen interessanten Hinweis darauf, dass KI und klassische radiologische Ausbildung keine Gegensätze sein müssen. Richtig eingesetzt kann künstliche Intelligenz vielmehr ein zusätzliches Instrument für Training, Feedback und Qualitätssicherung darstellen.
Für Weiterbildungsstätten ergibt sich daraus eine neue Aufgabe. Neben der Vermittlung klassischer radiologischer Kenntnisse sollte zukünftig auch der kompetente Umgang mit KI-Systemen Bestandteil der Ausbildung sein. Dazu gehört insbesondere, deren Ergebnisse kritisch zu hinterfragen und die Verantwortung für die endgültige diagnostische Entscheidung nicht an einen Algorithmus abzugeben.
Fazit
KI-gestütztes Training kann in der Radiologie zu Upskilling statt Deskilling beitragen. Die untersuchte Anwendung in der Thoraxradiografie verbesserte die diagnostische Leistung von Radiologie-Assistenzärzt:innen, ohne Hinweise auf einen Verlust grundlegender diagnostischer Fähigkeiten zu zeigen.
Entscheidend bleibt jedoch das Ausbildungskonzept: KI sollte die eigenständige Befundung ergänzen und nicht ersetzen. Der zukünftige radiologische Arbeitsplatz verlangt deshalb möglicherweise nicht weniger diagnostische Kompetenz, sondern eine zusätzliche: Radiolog:innen müssen lernen, die Vorschläge künstlicher Intelligenz ebenso kritisch zu beurteilen wie die Bildgebung selbst.
Literatur und weiterführende Informationen
Originalstudie:
Upskilling or deskilling? The effectiveness of AI-supported training in radiology – Insights into Imaging
Insights into Imaging. 2025. doi:10.1186/s13244-024-01893-4.
