Opportunistisches CT-Screening: Mehr Diagnostik durch KI?

Eine Computertomographie enthält zahlreiche diagnostische Informationen, die über die ursprüngliche klinische Fragestellung hinausgehen. Das opportunistische CT-Screening verfolgt das Ziel, solche Informationen systematisch auszuwerten und bislang unerkannte Erkrankungen oder Risikofaktoren zu identifizieren. Künstliche Intelligenz (KI) ermöglicht inzwischen die weitgehend automatisierte Analyse von Knochendichte, Leberattenuation, Muskel- und Fettgewebe sowie vaskulären Verkalkungen [1].

Die technischen Möglichkeiten sind beeindruckend. Doch handelt es sich tatsächlich um einen Fortschritt für die Patientenversorgung oder vor allem um eine Automatisierung diagnostischer Aufgaben, die seit Jahrzehnten zum radiologischen Alltag gehören? Und wer übernimmt die Verantwortung für die Ergebnisse, wenn ihre Überprüfung zusätzlichen ärztlichen Aufwand verursacht?

Diese Fragen sind angesichts zunehmenden Kostendrucks, wachsender Untersuchungszahlen und einer immer komplexeren Bildverarbeitung von besonderer Bedeutung. Der folgende Beitrag stellt die wichtigsten Anwendungen vor und untersucht kritisch ihre diagnostische Aussagekraft, ihre klinische Relevanz sowie die rechtlichen, organisatorischen und wirtschaftlichen Voraussetzungen einer verantwortbaren Implementierung.

Inhaltsverzeichnis anzeigen

1. Was bedeutet opportunistisches CT-Screening?
2. Was ist daran tatsächlich neu?
3. Osteoporose: quantitative Knochendichteanalyse
4. Hepatische Steatose: Grenzen der Leberattenuation
5. Viszerales Fett und kardiometabolisches Risiko
6. Sarkopenie und Myosteatose
7. Vaskuläre Verkalkungen
8. Was kann die KI zuverlässig leisten?
9. Qualitätssicherung: Was muss überprüft werden?
10. Ärztliche Verantwortung und Haftung
11. Zeitaufwand, Kosten und Wirtschaftlichkeit
12. Voraussetzungen für die klinische Anwendung
13. Kritische Gesamtbewertung
14. Fazit
15. Literatur

Was bedeutet opportunistisches CT-Screening?

Beim klassischen Screening wird eine Untersuchung gezielt zur Früherkennung einer bestimmten Erkrankung durchgeführt. Beim opportunistischen Screening hingegen werden Bilddaten analysiert, die bereits aus einer anderen medizinischen Indikation vorliegen. Die zusätzliche Auswertung erfordert daher keine erneute CT-Untersuchung und verursacht keine zusätzliche Strahlenexposition [1].

Beispielsweise können bei einer abdominellen CT die trabekuläre Attenuation eines Lendenwirbelkörpers, die Leberattenuation oder die Verteilung des abdominalen Fettgewebes quantitativ bestimmt werden. Bei einer Thorax-CT lassen sich unter anderem Koronarverkalkungen oder Wirbelkörperveränderungen erfassen.

Der entscheidende Unterschied zur konventionellen Befundung besteht in der systematischen, häufig automatisierten Erhebung vordefinierter Bildbiomarker. Diese werden anhand quantitativer Kriterien ausgewertet und gegebenenfalls mit einem erhöhten Erkrankungsrisiko in Verbindung gebracht.

Was ist daran tatsächlich neu?

Die Erkennung einer Lebersteatose, einer osteoporotischen Wirbelkörperfraktur oder ausgeprägter Gefässverkalkungen ist keine neue diagnostische Leistung. Solche Befunde gehören seit Langem zur radiologischen Beurteilung von CT-Untersuchungen, unabhängig von der ursprünglichen klinischen Fragestellung.

Neu ist vor allem die Möglichkeit, bestimmte anatomische Strukturen automatisiert zu segmentieren, quantitative Messwerte zu erzeugen und diese bei grossen Untersuchungszahlen standardisiert auszuwerten. Eine bislang zeitaufwendige manuelle Messung kann dadurch technisch vereinfacht und reproduzierbarer gestaltet werden.

Die zusätzliche Information ist jedoch nicht zwangsläufig klinisch relevant. Ein automatisch bestimmter HU-Wert oder ein berechnetes Fettvolumen besitzt erst dann einen medizinischen Nutzen, wenn die Messung zuverlässig ist, korrekt interpretiert wird und daraus eine sinnvolle diagnostische oder therapeutische Konsequenz entstehen kann.

Grafik 1: Von der radiologischen Befundung zum KI-Screening

Osteoporose: quantitative Knochendichteanalyse

Die opportunistische Osteoporoseerkennung gehört zu den am besten untersuchten Anwendungen. Grundlage ist die Messung der trabekulären CT-Attenuation, häufig innerhalb des ersten Lendenwirbelkörpers (L1). Niedrige Hounsfield-Werte können auf eine verminderte mineralisierte Knochensubstanz hinweisen [2,3].

Pickhardt und Mitarbeiter untersuchten 1867 Erwachsene mit insgesamt 2067 CT-DXA-Untersuchungspaaren. Bei einem L1-Schwellenwert von höchstens 160 HU erreichte die CT eine Sensitivität von 90 % zur Erkennung einer Osteoporose. Ein niedrigerer Schwellenwert von 110 HU erhöhte die Spezifität auf über 90 %, allerdings auf Kosten der Sensitivität [3].

Die unterschiedlichen Grenzwerte verdeutlichen den Zielkonflikt zwischen einer möglichst empfindlichen Früherkennung und der Vermeidung falsch positiver Ergebnisse. Sie dürfen nicht ungeprüft auf sämtliche CT-Protokolle übertragen werden, insbesondere nicht auf Untersuchungen mit abweichender Kontrastmittelphase oder Rekonstruktionstechnik.

Frakturierte und degenerativ veränderte Wirbelkörper

Eine wesentliche Fehlerquelle entsteht bei Wirbelkörpern mit Kompressionsfrakturen, Sklerosierungen, ausgeprägten degenerativen Veränderungen oder anderen strukturellen Auffälligkeiten. Eine Sinterungsfraktur kann durch die Verdichtung trabekulärer Strukturen lokal erhöhte CT-Dichtewerte verursachen und dadurch eine tatsächlich verminderte Knochendichte verschleiern.

Das Problem ist aus der DXA-Diagnostik bekannt. Auch dort müssen strukturell ungeeignete Wirbelkörper nach festgelegten Kriterien von der Auswertung ausgeschlossen werden. Bei der CT ist deshalb die korrekte Auswahl einer repräsentativen trabekulären Messregion von zentraler Bedeutung.

Moderne KI-Verfahren können Wirbelkörper identifizieren und segmentieren. Zusätzliche Algorithmen können Kompressionsfrakturen erkennen und damit die Auswahl geeigneter Messregionen unterstützen. Eine 2026 veröffentlichte systematische Übersichtsarbeit untersuchte die diagnostische Leistungsfähigkeit solcher KI-Verfahren bei Osteoporose und Wirbelkörperfrakturen [4].

Allerdings ist die automatische Segmentierung nicht gleichbedeutend mit einer zuverlässigen Beurteilung der strukturellen Eignung des Wirbelkörpers. Nicht jedes KI-System erkennt sämtliche Frakturen, Sklerosierungen oder andere Veränderungen, die eine Messung verfälschen können.

Hinzu kommt eine grundsätzliche Frage: Wenn bereits eine osteoporotische Wirbelkörperfraktur sichtbar ist, besitzt deren konsequente Erkennung und klinische Einordnung möglicherweise einen grösseren unmittelbaren Nutzen als eine zusätzliche quantitative Attenuationsmessung.

Ein niedriger HU-Wert ist ausserdem nicht mit einer gesicherten Osteoporosediagnose gleichzusetzen. Er kann Anlass für eine gezielte klinische Risikobeurteilung und gegebenenfalls eine weiterführende Knochendichtediagnostik sein.

Hepatische Steatose: Grenzen der Leberattenuation

Eine hepatische Steatose führt in der nativen CT typischerweise zu einer Abnahme der Leberattenuation. Die Messung der Parenchymdichte kann deshalb Hinweise auf eine Leberverfettung liefern. Die Aussagekraft hängt jedoch wesentlich vom Untersuchungsprotokoll und vom Ausmass der Steatose ab.

Ein grundlegendes Problem besteht darin, dass die meisten abdominellen CT-Untersuchungen im klinischen Alltag mit intravenösem Kontrastmittel durchgeführt werden. Native Untersuchungen des Oberbauchs bleiben ausgewählten Fragestellungen vorbehalten.

Die intravenöse Kontrastmittelgabe verändert die Leberattenuation abhängig von Kontrastmittelphase, Kreislaufverhältnissen und technischen Parametern. Die für native CT-Untersuchungen entwickelten HU-Grenzwerte lassen sich deshalb nicht ohne Weiteres auf kontrastmittelverstärkte CT-Untersuchungen übertragen.

Eine systematische Übersichtsarbeit und Metaanalyse von Haghshomar und Mitarbeitern aus dem Jahr 2024 untersuchte die diagnostische Genauigkeit der CT bei hepatischer Steatose. Auch kontrastmittelverstärkte Untersuchungen können Hinweise auf eine relevante Steatose liefern. Die Ergebnisse zeigen jedoch deutliche Unterschiede zwischen den untersuchten Verfahren und Grenzwerten [5].

Die kontrastmittelverstärkte CT ist somit nicht grundsätzlich ungeeignet, eine Steatose zu erkennen. Für ein standardisiertes opportunistisches Screening mit einfachen, allgemein gültigen HU-Schwellenwerten bestehen jedoch erhebliche Einschränkungen.

Aus radiologischer Sicht stellt sich zudem die Frage nach dem zusätzlichen Erkenntnisgewinn. Eine ausgeprägte Lebersteatose ist häufig bereits bei der konventionellen Befundung erkennbar. Ob eine KI-gestützte Messung bei kontrastmittelverstärkten Routineuntersuchungen relevante zusätzliche Diagnosen ermöglicht, muss deshalb gesondert nachgewiesen werden.

Viszerales Fett und kardiometabolisches Risiko

Die CT ermöglicht eine quantitative Unterscheidung zwischen viszeralem und subkutanem Fettgewebe. Diese Differenzierung ist mit dem Body-Mass-Index (BMI) allein nicht möglich, da dieser weder die Fettverteilung noch die Muskelmasse berücksichtigt.

Eine vermehrte viszerale Fettansammlung ist mit metabolischen Risikofaktoren assoziiert. Automatisierte Segmentierungsverfahren können entsprechende Fettkompartimente aus vorhandenen CT-Datensätzen bestimmen und damit zusätzliche Informationen zur Körperzusammensetzung liefern [6].

Die technische Messbarkeit eines Parameters ist allerdings noch kein ausreichender Grund für seine routinemässige Erhebung. Zur kardiometabolischen Risikobeurteilung stehen bereits etablierte klinische Parameter wie Taillenumfang, Blutdruck, Lipidprofil und HbA1c zur Verfügung.

Der zusätzliche klinische Nutzen einer CT-basierten Fettquantifizierung müsste deshalb daran gemessen werden, ob sie die Risikostratifizierung gegenüber diesen einfach verfügbaren Parametern relevant verbessert und daraus konkrete Konsequenzen für Prävention oder Therapie entstehen.

Sarkopenie und Myosteatose

Mit zunehmendem Lebensalter verändern sich Muskelmasse und Muskelqualität. Die CT kann Muskelquerschnittsflächen und Muskelattenuation quantitativ erfassen und dadurch Hinweise auf eine verminderte Muskelmasse oder vermehrte intramuskuläre Fetteinlagerung liefern.

Solche Veränderungen sind jedoch nicht automatisch Ausdruck einer klinisch relevanten Erkrankung. Nach dem europäischen EWGSOP2-Konsensus ist insbesondere die verminderte Muskelkraft für die Diagnose einer Sarkopenie entscheidend. Die Beurteilung der Muskelmasse beziehungsweise Muskelqualität ergänzt die klinische Untersuchung [7].

Die CT kann somit morphologische und quantitative Hinweise liefern, ersetzt aber weder die funktionelle Untersuchung noch die klinische Diagnosestellung. Ein möglicher Nutzen besteht insbesondere bei ausgewählten Patientengruppen, beispielsweise in der Onkologie, bei chronischen Erkrankungen oder im Rahmen einer präoperativen Risikobeurteilung.

Eine 2026 veröffentlichte gesundheitsökonomische Modellanalyse verglich opportunistische CT-basierte Sarkopenieerkennung mit etablierten klinischen Verfahren und errechnete unter den zugrunde gelegten Annahmen wirtschaftliche Vorteile [8]. Solche Modellrechnungen sind interessant, stellen jedoch keinen unmittelbaren Nachweis dar, dass die routinemässige Einführung in einer radiologischen Einrichtung tatsächlich Kosten reduziert oder patientenrelevante Behandlungsergebnisse verbessert.

Vaskuläre Verkalkungen

Koronarverkalkungen können auch bei nicht EKG-getriggerten Thorax-CT-Untersuchungen erkannt werden. Sie liefern Hinweise auf eine koronare Atherosklerose und können für die kardiovaskuläre Risikobeurteilung relevant sein.

Ein gemeinsames Konsensuspapier britischer kardiovaskulärer und thoraxradiologischer Fachgesellschaften empfiehlt bereits seit 2020, Koronarverkalkungen bei entsprechenden Thorax-CT-Untersuchungen systematisch zu beurteilen und ihre Ausprägung semiquantitativ zu dokumentieren [9].

Damit handelt es sich auch hier nicht um eine grundsätzlich neue diagnostische Aufgabe. KI könnte die Erkennung und Quantifizierung standardisieren und möglicherweise die Zahl übersehener oder nicht dokumentierter Befunde reduzieren.

Entscheidend bleibt jedoch, ob die zusätzliche automatisierte Analyse gegenüber einer sorgfältigen radiologischen Befundung einen nachweisbaren Nutzen bietet. Bei asymptomatischen Patienten rechtfertigt eine Koronarverkalkung ausserdem nicht automatisch zusätzliche kardiale Bildgebung; zunächst steht die klinische Risikobeurteilung im Vordergrund.

Was kann die KI zuverlässig leisten?

Eine wesentliche Stärke moderner KI-Systeme ist die automatische Segmentierung anatomischer Strukturen. Dadurch lassen sich quantitative Messungen in grosser Zahl durchführen, ohne dass jede Struktur manuell markiert werden muss.

Wasserthal und Mitarbeiter beschrieben mit TotalSegmentator ein Verfahren zur automatischen Segmentierung von 104 anatomischen Strukturen. Das Modell wurde anhand von 1204 CT-Untersuchungen entwickelt und erreichte im Testdatensatz einen mittleren Dice-Similarity-Koeffizienten von 0,943 [10].

Diese hohe räumliche Übereinstimmung belegt eine gute Segmentierungsleistung unter den untersuchten Bedingungen. Sie bedeutet jedoch nicht, dass sämtliche nachfolgenden Messungen diagnostisch korrekt oder klinisch sinnvoll sind.

Eine Software kann beispielsweise einen Wirbelkörper geometrisch korrekt segmentieren und dennoch eine ungeeignete Messregion auswählen. Ebenso kann eine präzise Lebersegmentierung mit einer klinisch unzureichend validierten Steatoseklassifikation kombiniert sein.

Deshalb müssen die verschiedenen Schritte einer KI-basierten Diagnostik getrennt validiert werden: anatomische Identifikation, Segmentierung, quantitative Messung, Risikoklassifikation und klinische Interpretation.

Qualitätssicherung: Was muss überprüft werden?

Die Einführung KI-gestützter Screeningverfahren setzt voraus, dass ihre diagnostische Zuverlässigkeit unter den tatsächlichen lokalen Untersuchungsbedingungen überprüft wird. Eine hohe Leistungsfähigkeit in einer publizierten Studie garantiert nicht, dass ein Algorithmus mit sämtlichen CT-Geräten, Untersuchungsprotokollen und Patientengruppen gleich zuverlässig arbeitet.

Dies betrifft insbesondere unterschiedliche Kontrastmittelphasen, Rekonstruktionsverfahren, Schichtdicken, Bildrauschen und anatomische Veränderungen. Auch Softwareupdates können die Eigenschaften eines KI-Systems verändern und eine erneute Überprüfung erforderlich machen.

Vergleich mit der Qualitätssicherung bei der DXA

Bei der DXA-Knochendichtemessung existieren etablierte Verfahren zur Qualitätssicherung, darunter regelmässige Phantomkontrollen, Präzisionsmessungen und die Dokumentation der Gerätestabilität. Bei KI-Systemen müssen darüber hinaus die Zuverlässigkeit der anatomischen Erkennung, die Messregionen und die diagnostischen Klassifikationen kontrolliert werden.

Im Mai 2026 verabschiedete das American College of Radiology (ACR) gemeinsam mit der Society for Imaging Informatics in Medicine (SIIM) einen Praxisstandard für bildgebende KI. Dieser behandelt unter anderem die Auswahl, Implementierung, Überwachung und kontinuierliche Qualitätssicherung entsprechender Systeme [11].

Mit Assess-AI wurde zudem ein Register zur Überwachung der Leistungsfähigkeit radiologischer KI-Anwendungen geschaffen. Solche Initiativen zeigen, dass die Notwendigkeit einer strukturierten Qualitätssicherung zunehmend anerkannt wird. Sie bedeuten jedoch noch nicht, dass für alle radiologischen KI-Anwendungen bereits einheitliche, mit der DXA vergleichbare Prüfstandards bestehen.

Grafik 2: Qualitätssicherung vor und nach der Einführung

Ein wesentliches Qualitätsmerkmal ist ausserdem die Nachvollziehbarkeit. Der Radiologe muss erkennen können, welche anatomische Struktur ausgewertet wurde, wo die Messung erfolgte und ob das Ergebnis unter den jeweiligen Untersuchungsbedingungen plausibel ist.

Ärztliche Verantwortung und Haftung

Mit der automatisierten Erzeugung diagnostischer Aussagen entsteht eine grundsätzliche Frage: Wer trägt die Verantwortung, wenn ein KI-generierter Messwert falsch ist und daraus eine unzutreffende klinische Entscheidung resultiert?

Die Antwort lässt sich nicht pauschal auf den Radiologen oder den Softwarehersteller reduzieren. Hersteller, Betreiber und ärztliche Anwender können unterschiedliche rechtliche und organisatorische Pflichten haben. Diese hängen unter anderem vom zugelassenen Verwendungszweck, der konkreten Anwendung und dem jeweiligen nationalen Rechtsrahmen ab.

In der Europäischen Union bilden insbesondere die Medizinprodukteverordnung und die einschlägigen Bestimmungen des AI Act wichtige regulatorische Rahmenbedingungen. Für die Schweiz sind die entsprechenden schweizerischen Vorschriften gesondert zu berücksichtigen. Eine abschliessende rechtliche Bewertung muss deshalb immer anwendungs- und länderspezifisch erfolgen.

Unabhängig davon bleibt die praktische Frage bestehen, wie eine angemessene ärztliche Kontrolle überhaupt gewährleistet werden kann. Wenn ein Algorithmus zahlreiche zusätzliche Messwerte und Risikoklassifikationen erzeugt, muss der Umfang der erforderlichen Überprüfung klar definiert sein.

Eine vollständige manuelle Nachmessung sämtlicher Ergebnisse würde den Nutzen der Automatisierung erheblich einschränken. Umgekehrt kann eine unkritische Übernahme der KI-Ergebnisse in den radiologischen Befund medizinisch und rechtlich problematisch sein.

Die Grenzen der ärztlichen Kontrollierbarkeit

Bereits moderne CT-Rekonstruktionsverfahren beeinflussen die Bildentstehung durch komplexe mathematische und zunehmend KI-basierte Prozesse. Die diagnostische KI fügt eine weitere Ebene hinzu: Sie verändert nicht nur die Bilddarstellung, sondern erzeugt eigenständig Messwerte, Klassifikationen und gegebenenfalls diagnostische Empfehlungen.

Damit stellt sich die Frage, ob die verantwortliche Ärztin oder der verantwortliche Arzt die Ergebnisse mit vertretbarem Aufwand ausreichend überprüfen kann. Eine formale ärztliche Freigabe allein gewährleistet noch keine tatsächliche inhaltliche Kontrolle.

Besondere Aufmerksamkeit verdient dabei die organisatorische Verantwortung. Wenn eine Einrichtung eine KI-Anwendung aus wirtschaftlichen oder strategischen Gründen einführt, müssen auch die erforderlichen Ressourcen für Validierung, Kontrolle, Schulung und Fehlerüberwachung bereitgestellt werden.

Es wäre problematisch, zusätzliche diagnostische Aufgaben zur selbstverständlichen Pflicht der Radiologen zu erklären, ohne zuvor ihre fachlichen, zeitlichen und rechtlichen Voraussetzungen zu regeln.

Zeitaufwand, Kosten und Wirtschaftlichkeit

Ein häufig genanntes Argument für opportunistisches CT-Screening ist, dass vorhandene Bilddaten ohne zusätzliche Untersuchung ausgewertet werden können. Daraus folgt jedoch nicht, dass die zusätzliche Diagnostik kostenneutral ist.

Die Einführung entsprechender Systeme kann Softwarelizenzen, technische Integration, lokale Validierung, Wartung, Schulung und kontinuierliche Qualitätssicherung erfordern. Hinzu kommen die ärztliche Überprüfung auffälliger Ergebnisse, ihre Dokumentation und die Kommunikation mit den behandelnden Ärzten.

Auch nachfolgende Untersuchungen und Behandlungen müssen in die gesundheitsökonomische Betrachtung einbezogen werden. Falsch positive Befunde können zusätzliche Kosten und Belastungen verursachen, während frühzeitig erkannte, behandelbare Erkrankungen langfristig Komplikationen und Kosten reduzieren können.

Automatisierung bedeutet nicht automatisch Zeitersparnis

Die KI kann eine Messung in kurzer Zeit durchführen. Daraus ergibt sich jedoch nicht zwingend eine Verkürzung der gesamten Befundungszeit. Wenn mehrere zusätzliche Biomarker kontrolliert, interpretiert und dokumentiert werden müssen, kann der ärztliche Arbeitsaufwand sogar steigen.

Wie gross dieser zusätzliche Zeitbedarf tatsächlich ist, hängt von der jeweiligen Software, ihrer Fehlerquote, dem Kontrollkonzept und der Integration in den radiologischen Workflow ab. Pauschale Aussagen über eine Zeitersparnis oder einen Mehraufwand sind deshalb ohne entsprechende Untersuchungen nicht gerechtfertigt.

Gesundheitsökonomische Modellanalysen zeigen für einzelne Anwendungen ein mögliches Einsparpotenzial. Eine 2026 veröffentlichte Untersuchung zur CT-basierten Sarkopenieerkennung errechnete unter ihren Modellannahmen geringere Kosten als für die verglichene Standardstrategie [8]. Solche Ergebnisse sind jedoch abhängig von den zugrunde gelegten Kosten, diagnostischen Abläufen und klinischen Konsequenzen.

Für die tatsächliche Wirtschaftlichkeit einer radiologischen Einrichtung müssen ausserdem Vergütungsmodelle und personelle Ressourcen berücksichtigt werden. Ein Verfahren kann aus gesamtgesellschaftlicher Sicht möglicherweise kosteneffektiv sein, während seine Implementierung für eine einzelne Praxis zusätzliche, nicht ausreichend vergütete Leistungen verursacht.

Mögliche wirtschaftliche Fehlanreize

Ein weiterer Aspekt betrifft die zunehmende Kommerzialisierung medizinischer KI-Anwendungen. Investitionen in Software und Infrastruktur können Erwartungen an eine möglichst umfassende Nutzung erzeugen. Daraus darf jedoch kein organisatorischer Druck entstehen, diagnostische Verfahren unabhängig von ihrer klinischen Notwendigkeit einzusetzen.

Die Entscheidung über den Einsatz zusätzlicher KI-Analysen muss sich an medizinischen Kriterien orientieren. Wirtschaftliche Interessen dürfen weder eine unkritische Befundübernahme noch unnötige Folgeuntersuchungen begünstigen.

Voraussetzungen für die klinische Anwendung

Die klinische Einführung opportunistischer Screeningverfahren sollte nicht mit der Auswahl einer verfügbaren Software beginnen, sondern mit der Identifikation eines konkreten medizinischen Problems. Entscheidend ist, ob eine Erkrankung in der untersuchten Patientengruppe tatsächlich häufig übersehen oder zu spät erkannt wird und ob ihre frühere Erkennung das weitere Vorgehen verbessert.

Erst danach stellt sich die Frage, ob eine KI-Anwendung geeignet ist, diese diagnostische Lücke zuverlässig und wirtschaftlich zu schliessen. Die Autoren der aktuellen RadioGraphics-Übersicht betonen entsprechend die Bedeutung lokaler Validierung, definierter klinischer Abläufe, kontinuierlicher Qualitätskontrolle und klarer Verantwortlichkeiten [1].

Für eine verantwortbare Implementierung sollten insbesondere folgende Voraussetzungen erfüllt sein:

• Ein klinisch relevantes und ausreichend häufiges diagnostisches Problem ist definiert.
• Der zusätzliche Nutzen gegenüber der etablierten radiologischen Befundung ist plausibel und möglichst empirisch belegt.
• Die Software ist für den vorgesehenen Einsatz geeignet und unter lokalen Bedingungen validiert.
• Fehlerhafte oder zweifelhafte Ergebnisse können erkannt und angemessen kontrolliert werden.
• Ärztliche und organisatorische Verantwortlichkeiten sind eindeutig geregelt.
• Für auffällige Ergebnisse bestehen definierte klinische Abklärungs- und Behandlungspfade.
• Der zusätzliche Arbeitsaufwand und die Finanzierung sind vor der Einführung geklärt.
• Die Leistungsfähigkeit und die klinischen Auswirkungen werden nach der Einführung fortlaufend überwacht.

Ein KI-System sollte deshalb nicht allein anhand seiner Segmentierungsgenauigkeit oder der Zahl automatisch erfasster Biomarker beurteilt werden. Massgeblich ist, ob es unter realen klinischen Bedingungen einen zusätzlichen, überprüfbaren und patientenrelevanten Nutzen bietet.

Kritische Gesamtbewertung

Die verschiedenen Anwendungen des opportunistischen CT-Screenings unterscheiden sich erheblich hinsichtlich ihrer diagnostischen Aussagekraft und ihres möglichen klinischen Nutzens. Eine pauschale Bewertung des gesamten Konzepts ist deshalb nicht sinnvoll.

Die wesentliche Innovation besteht nicht darin, dass KI bislang unbekannte anatomische Veränderungen sichtbar macht. Vielmehr ermöglicht sie die automatisierte, standardisierte und potenziell flächendeckende Quantifizierung bereits bekannter Bildmerkmale.

Diese technische Skalierbarkeit kann für Forschung, Qualitätssicherung und ausgewählte klinische Anwendungen von erheblichem Interesse sein. Sie begründet jedoch noch keine allgemeine Empfehlung zur routinemässigen Auswertung sämtlicher verfügbarer CT-Biomarker.

Die zusätzliche Diagnostik muss sich daran messen lassen, ob sie gegenüber einer sorgfältigen konventionellen Befundung relevante Erkrankungen früher erkennt, klinische Entscheidungen verbessert und unter realen Versorgungsbedingungen einen vertretbaren Aufwand verursacht.

Fazit

Das opportunistische CT-Screening durch KI eröffnet interessante Möglichkeiten zur automatisierten Analyse vorhandener CT-Datensätze. Besonders die quantitative Knochendichtebeurteilung, die standardisierte Erkennung von Wirbelkörperfrakturen und die Analyse ausgewählter Risikobiomarker besitzen ein nachvollziehbares diagnostisches Potenzial.

Ein erheblicher Teil der beschriebenen Veränderungen gehört jedoch bereits seit Langem zur regulären radiologischen Befundung. Die eigentliche Neuerung liegt daher weniger in der Erkennung dieser Befunde als in ihrer automatisierten Quantifizierung und systematischen Auswertung.

Vor einer breiten klinischen Einführung müssen die diagnostische Zuverlässigkeit, die lokale Qualitätssicherung, die ärztliche Kontrollierbarkeit, die Verantwortlichkeiten und die Wirtschaftlichkeit geklärt sein. Insbesondere darf die technische Verfügbarkeit einer KI-Anwendung nicht dazu führen, dass zusätzliche diagnostische Aufgaben ohne ausreichende Validierung und ohne entsprechende personelle Ressourcen zum selbstverständlichen Bestandteil der radiologischen Routine werden.

Mehr automatisch erhobene CT-Daten bedeuten nicht zwangsläufig mehr diagnostischen Nutzen. Der tatsächliche Fortschritt wird sich daran messen lassen müssen, ob KI die Patientenversorgung nachweisbar verbessert, ohne die Qualität, die ärztliche Verantwortung und die Wirtschaftlichkeit der radiologischen Diagnostik zu gefährden.

Literatur

1. Dogra S, Lew C, Bussey O, et al. Opportunistic CT Screening: Clinical Applications, Technical Foundations, and Best Practices. RadioGraphics. 2026;46(10):e260009. doi:10.1148/rg.260009.
2. Dogra S, Bussey O, Dane B, et al. Clinical Implementation of Opportunistic Screening for Osteoporosis. AJR Am J Roentgenol. 2026;227(4):e2634956. doi:10.2214/AJR.26.34956.
3. Pickhardt PJ, Pooler BD, Lauder T, Muñoz del Rio A, Bruce RJ, Binkley N. Opportunistic Screening for Osteoporosis Using Abdominal Computed Tomography Scans Obtained for Other Indications. Ann Intern Med. 2013;158(8):588–595. doi:10.7326/0003-4819-158-8-201304160-00003.
4. Ghareh Mohammadi F, Sebro R. Artificial Intelligence for Opportunistic Screening for Osteoporosis and Spine Fractures Using Computed Tomography: A Systematic Review and Meta-Analysis. J Comput Assist Tomogr. Published online June 29, 2026. doi:10.1097/RCT.0000000000001899.
5. Haghshomar M, Antonacci D, Smith AD, Thaker S, Miller FH, Borhani AA. Diagnostic Accuracy of CT for the Detection of Hepatic Steatosis: A Systematic Review and Meta-Analysis. Radiology. 2024;313(2):e241171. doi:10.1148/radiol.241171.
6. Nowak S, Theis M, Wichtmann BD, et al. End-to-end Automated Body Composition Analyses with Integrated Quality Control for Opportunistic Assessment of Sarcopenia in CT. Eur Radiol. 2022;32:3142–3151. doi:10.1007/s00330-021-08313-x.
7. Cruz-Jentoft AJ, Bahat G, Bauer J, et al. Sarcopenia: Revised European Consensus on Definition and Diagnosis. Age Ageing. 2019;48(1):16–31. doi:10.1093/ageing/afy169.
8. Padwal J, Hanly A, Johnston A, Lenchik L, Gyftopoulos S, Boutin RD. Cost-effectiveness of Opportunistic CT versus Clinical Methods for Sarcopenia Screening. Skeletal Radiol. 2026;55(4):781–788. doi:10.1007/s00256-025-05084-0.
9. Williams MC, Abbas A, Tirr E, et al. Reporting Incidental Coronary, Aortic Valve and Cardiac Calcification on Non-gated Thoracic Computed Tomography: A Consensus Statement from the BSCI/BSCCT and BSTI. Br J Radiol. 2021;94(1117):20200894. doi:10.1259/bjr.20200894.
10. Wasserthal J, Breit HC, Meyer MT, et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023;5(5):e230024. doi:10.1148/ryai.230024.
11. American College of Radiology; Society for Imaging Informatics in Medicine. ACR-SIIM Practice Parameter for Imaging Artificial Intelligence. Approved May 2026.