Geschichte der KI in der Radiologie
Von Computer-aided Detection und Machine Learning zu Deep Learning und generativer KI
Die Geschichte der KI in der Radiologie begann lange vor dem heutigen Deep-Learning-Boom. Bereits Jahrzehnte bevor künstliche Intelligenz komplexe CT- oder MRT-Untersuchungen analysieren konnte, beschäftigten sich Forschungsteams mit der Frage, wie Computer medizinische Bilder auswerten und Radiolog:innen bei diagnostischen Entscheidungen unterstützen können. Aus frühen Verfahren der Mustererkennung und computergestützten Bildanalyse entwickelten sich zunächst Computer-aided Detection und Diagnosis (CAD), später Machine Learning und schliesslich moderne Deep-Learning-Verfahren.
Die Grundlagen entstehen lange vor der radiologischen KI
Die wissenschaftlichen Grundlagen künstlicher Intelligenz reichen bis in die Mitte des 20. Jahrhunderts zurück. Mit der zunehmenden Leistungsfähigkeit von Computern entstanden erste Verfahren zur automatisierten Mustererkennung. Gleichzeitig begann auch die Medizin, digitale Daten mit mathematischen und statistischen Methoden auszuwerten.
Für die Radiologie waren diese Entwicklungen besonders interessant. Röntgenbilder enthalten zahlreiche visuelle Strukturen, deren Erkennung und Beurteilung auf wiederkehrenden Mustern beruht. Damit bot sich die medizinische Bildgebung früh als Anwendungsgebiet für computergestützte Analyseverfahren an.
Die Digitalisierung schafft die technische Voraussetzung
Eine entscheidende Voraussetzung für die spätere Entwicklung radiologischer KI war die Digitalisierung der medizinischen Bildgebung. Computertomografie (CT) und Magnetresonanztomografie (MRT) erzeugten ihre Bilder bereits als digitale Datensätze. Später machten CR- und DR-Systeme auch die Projektionsradiografie zunehmend digital verfügbar.
Dadurch konnten Computer Bildinformationen direkt verarbeiten. Mit der zunehmenden Verbreitung von PACS entstanden ausserdem grosse digitale Bildarchive. Damit standen immer mehr Untersuchungen für computergestützte Analyse, Forschung und später auch für das Training lernender Algorithmen zur Verfügung.
Computer-aided Detection und Diagnosis als Vorläufer moderner KI
Seit den 1980er- und insbesondere den 1990er-Jahren gewann die computergestützte Detektion und Diagnose an Bedeutung. Unter den Begriffen Computer-aided Detection und Computer-aided Diagnosis entstanden Systeme, die bestimmte Bildmerkmale automatisch analysierten und Radiolog:innen auf mögliche Auffälligkeiten hinweisen sollten.
Ein wichtiges Anwendungsgebiet war die Mammografie. CAD-Systeme markierten beispielsweise verdächtige Verdichtungen oder Mikroverkalkungen, die Radiolog:innen anschliessend selbst beurteilen mussten. Auch für Thoraxaufnahmen und andere radiologische Untersuchungen entwickelten Forschungsteams entsprechende Verfahren.
Diese frühen Systeme arbeiteten jedoch anders als heutige Deep-Learning-Algorithmen. Entwickler mussten relevante Bildmerkmale häufig zunächst definieren und mathematisch beschreiben. Der Computer suchte anschliessend anhand dieser vorgegebenen Eigenschaften nach möglichen Auffälligkeiten.
Von programmierten Regeln zu Machine Learning
Mit Machine Learning änderte sich dieses Prinzip schrittweise. Statt sämtliche Merkmale ausdrücklich vorzugeben, konnten Algorithmen aus Beispieldaten statistische Zusammenhänge lernen. Dazu benötigten sie Datensätze, bei denen bekannte Befunde oder diagnostische Kategorien als Referenz dienten.
Allerdings begrenzten Rechenleistung, verfügbare Datenmengen und die damaligen Algorithmen zunächst die Möglichkeiten. Zudem erforderte die Entwicklung vieler Systeme weiterhin eine gezielte Auswahl geeigneter Bildmerkmale. Dennoch entstand damit ein entscheidender Übergang von überwiegend regelbasierten Verfahren zu lernenden Modellen.
Deep Learning verändert die medizinische Bildanalyse
Einen entscheidenden technologischen Impuls erhielt die Bilderkennung zu Beginn der 2010er-Jahre. Leistungsfähigere Grafikprozessoren, grössere digitale Datensätze und Fortschritte bei tiefen neuronalen Netzen ermöglichten es, komplexe Bildmerkmale zunehmend automatisch aus Trainingsdaten zu lernen.
Besonders Convolutional Neural Networks (CNN) erwiesen sich für die Analyse von Bildern als leistungsfähig. Statt charakteristische Merkmale vollständig von Menschen definieren zu lassen, lernen diese Netzwerke hierarchische Bildinformationen direkt aus grossen Mengen von Beispieldaten.
Diese Entwicklung erreichte rasch die medizinische Bildgebung. Seit Mitte der 2010er-Jahre nahm die Zahl wissenschaftlicher Arbeiten zu Deep Learning in der Radiologie stark zu. Algorithmen analysierten nun beispielsweise Röntgenbilder, CT- und MRT-Untersuchungen, segmentierten anatomische Strukturen oder klassifizierten auffällige Bildbefunde.
Vom Forschungsprojekt zur klinischen Anwendung
Damit begann eine neue Phase der Geschichte der KI in der Radiologie. Die zentrale Frage lautete zunehmend nicht mehr, ob Computer radiologische Bilder analysieren können, sondern wie zuverlässig solche Systeme unter klinischen Bedingungen arbeiten und wie sie sinnvoll in bestehende radiologische Abläufe integriert werden können.
Aus experimentellen Algorithmen entwickelten sich erste zugelassene medizinische Anwendungen. Gleichzeitig rückten neue Fragen in den Mittelpunkt: Wie gut funktionieren Modelle bei Patient:innen aus anderen Kliniken? Welche Auswirkungen haben Trainingsdaten und mögliche Verzerrungen? Wer trägt Verantwortung für fehlerhafte Ergebnisse? Und wie lassen sich KI-Systeme in PACS und Befundarbeitsplätze integrieren, ohne zusätzliche Arbeitsschritte zu erzeugen?
Der Weg von den frühen Verfahren der Mustererkennung über CAD und Machine Learning bis zum Deep Learning bildet deshalb nur den ersten Teil dieser Entwicklung. Die folgenden Meilensteine zeigen, wie aus computergestützter Bildanalyse schrittweise ein Bestandteil moderner radiologischer Diagnostik wurde.
Meilensteine der KI in der Radiologie
Informatik, Mustererkennung und frühe neuronale Netze schaffen die theoretischen Grundlagen für lernende Computersysteme.
Forschungsteams entwickeln zunehmend Verfahren zur automatisierten Erkennung und Analyse medizinischer Bildmerkmale.
Computer-aided Detection und Diagnosis unterstützen unter anderem die Analyse von Mammografien und Thoraxaufnahmen.
Grössere digitale Bildarchive und leistungsfähigere Computer erweitern die Möglichkeiten lernender Analyseverfahren.
Tiefe neuronale Netze zeigen bei der Bilderkennung eine deutlich verbesserte Leistungsfähigkeit und beschleunigen die weitere Entwicklung.
CNN analysieren zunehmend Röntgen-, CT- und MRT-Bilder und übernehmen Aufgaben wie Klassifikation und Segmentierung.
Immer mehr radiologische KI-Systeme erhalten regulatorische Zulassungen und finden Eingang in klinische Arbeitsabläufe.
KI wird zunehmend mit PACS, Worklists und Befundsystemen verbunden und unterstützt Analyse, Triage und quantitative Auswertung.
Foundation Models verbinden zunehmend Bild-, Text- und klinische Informationen und erweitern die Möglichkeiten radiologischer Assistenzsysteme.
KI erreicht den klinischen Alltag
Mit der zunehmenden Leistungsfähigkeit von Deep-Learning-Verfahren verlagerte sich der Schwerpunkt von der Forschung auf die klinische Anwendung. KI-Systeme übernahmen klar definierte Aufgaben wie die Erkennung bestimmter Auffälligkeiten, die Segmentierung anatomischer Strukturen, quantitative Messungen oder die Priorisierung auffälliger Untersuchungen.
Dabei zeigte sich jedoch schnell, dass eine hohe Leistungsfähigkeit in wissenschaftlichen Datensätzen allein nicht ausreicht. Ein System muss auch unter den Bedingungen des klinischen Alltags zuverlässig funktionieren. Unterschiedliche Geräte, Untersuchungsprotokolle, Patientengruppen und Erkrankungshäufigkeiten können die Ergebnisse eines Algorithmus erheblich beeinflussen.
Validierung wird zur zentralen Herausforderung
Damit gewann die externe Validierung zunehmend an Bedeutung. Ein Algorithmus, der mit Daten einer bestimmten Institution entwickelt wurde, muss seine Leistungsfähigkeit auch mit unabhängigen Daten aus anderen Einrichtungen und Patientengruppen zeigen. Erst dadurch lässt sich beurteilen, wie gut sich die Ergebnisse auf die klinische Realität übertragen lassen.
Gleichzeitig rückte die Qualität der Trainingsdaten in den Mittelpunkt. Fehlerhafte oder unvollständige Referenzdaten können sich unmittelbar auf die Leistungsfähigkeit eines Modells auswirken. Zudem können unausgewogene Datensätze dazu führen, dass ein Algorithmus bei bestimmten Patientengruppen besser funktioniert als bei anderen.
Bias: KI übernimmt auch die Schwächen ihrer Daten
Diese möglichen systematischen Verzerrungen werden als Bias bezeichnet. KI-Systeme lernen aus den Daten, die für ihre Entwicklung verwendet werden. Sind bestimmte Erkrankungen, Bevölkerungsgruppen, Geräte oder Untersuchungstechniken darin nicht ausreichend vertreten, kann dies die Ergebnisse beeinflussen.
Deshalb gehört die Beurteilung der verwendeten Daten ebenso zur Bewertung eines KI-Systems wie Sensitivität oder Spezifität. Darüber hinaus müssen Kliniken prüfen, ob ein Algorithmus unter den Bedingungen funktioniert, unter denen sie ihn tatsächlich einsetzen wollen. Die Einführung von KI erfordert damit nicht nur technische, sondern auch medizinische Qualitätskontrolle.
Regulierung und Verantwortung
Mit dem Übergang von Forschungsprojekten zu klinisch eingesetzten Produkten gewann auch die regulatorische Zulassung an Bedeutung. Medizinische KI-Anwendungen unterliegen – abhängig von Einsatzgebiet und Rechtsraum – den Anforderungen für Medizinprodukte. Dabei müssen Hersteller unter anderem Sicherheit, Leistungsfähigkeit und vorgesehenen Verwendungszweck dokumentieren.
Die Zulassung beantwortet jedoch nicht alle Fragen des klinischen Einsatzes. KI liefert Ergebnisse innerhalb eines bestimmten Anwendungsbereichs, während die medizinische Einordnung weiterhin den klinischen Kontext berücksichtigen muss. Deshalb bleiben Verantwortung, Transparenz und der angemessene Umgang mit möglichen Fehlentscheidungen zentrale Themen der KI-gestützten Radiologie.
Von der einzelnen Anwendung zum integrierten Workflow
Frühe KI-Systeme arbeiteten häufig als separate Programme. Radiolog:innen mussten Untersuchungen teilweise manuell an die Anwendung übermitteln und die Ergebnisse anschliessend in ihren normalen Befundungsprozess übertragen. Dadurch konnte ein eigentlich hilfreicher Algorithmus zusätzliche Arbeit verursachen.
Moderne Systeme integrieren KI deshalb zunehmend direkt in den radiologischen Workflow. Untersuchungen können automatisiert analysiert und Ergebnisse am Befundarbeitsplatz bereitgestellt werden. Auch Priorisierung, quantitative Messungen oder Segmentierungen lassen sich auf diese Weise in bestehende Arbeitsabläufe einbinden.
Damit verschiebt sich die entscheidende Frage von der isolierten Leistungsfähigkeit eines Algorithmus zu seinem tatsächlichen Nutzen im klinischen Prozess. Nicht jede technisch mögliche KI-Anwendung verbessert automatisch Effizienz, diagnostische Qualität oder Patientenversorgung.
Generative KI erweitert das Anwendungsspektrum
Mit generativer KI entstand in den 2020er-Jahren eine weitere Entwicklungsstufe. Während klassische radiologische KI häufig eine eng definierte Aufgabe löst, können grosse Sprachmodelle Texte analysieren und erzeugen, Informationen strukturieren oder Inhalte aus unterschiedlichen Quellen zusammenführen.
Für die Radiologie ergeben sich dadurch neue Möglichkeiten ausserhalb der reinen Bildklassifikation. Denkbar sind beispielsweise die Unterstützung bei der Aufbereitung klinischer Informationen, bei Befundtexten, Zusammenfassungen oder der Kommunikation medizinischer Inhalte. Gleichzeitig entstehen neue Fehlerquellen, denn generative Modelle können plausibel klingende, aber sachlich falsche Informationen erzeugen.
Multimodale KI verbindet Bild und Text
Eine besonders weitreichende Entwicklung sind multimodale Modelle. Sie können unterschiedliche Informationsarten wie medizinische Bilder, Texte und weitere klinische Daten gemeinsam verarbeiten. Damit nähert sich die technische Entwicklung einer Aufgabe an, die für radiologische Diagnostik grundsätzlich wichtig ist: Bildbefunde nicht isoliert, sondern im Zusammenhang mit klinischen Informationen zu beurteilen.
Auch sogenannte Foundation Models gewinnen dabei an Bedeutung. Statt ein Modell ausschliesslich für eine einzelne eng definierte Aufgabe zu trainieren, sollen umfangreiche vortrainierte Modelle als Grundlage für unterschiedliche medizinische Anwendungen dienen. Ob und in welchem Umfang solche Systeme den klinischen Alltag verändern werden, hängt jedoch wesentlich von ihrer Validierung, Zuverlässigkeit und sicheren Integration ab.
Die Rolle der Radiolog:innen verändert sich
Die Geschichte der KI in der Radiologie zeigt einen deutlichen Wandel: Aus einfachen computergestützten Hinweisen entwickelten sich lernende Systeme, die heute komplexe Bilddaten analysieren und zunehmend weitere klinische Informationen einbeziehen können.
Damit verändert sich auch die Zusammenarbeit zwischen Mensch und Maschine. KI kann wiederkehrende Aufgaben übernehmen, quantitative Informationen bereitstellen und Radiolog:innen auf relevante Befunde aufmerksam machen. Die ärztliche Aufgabe umfasst jedoch weiterhin die Bewertung dieser Informationen im klinischen Zusammenhang sowie die Entscheidung über ihre diagnostische Bedeutung.
Von CAD zu multimodaler KI
Die Entwicklung von den frühen CAD-Systemen über Machine Learning und Deep Learning bis zu generativen und multimodalen Modellen zeigt, wie schnell sich die Möglichkeiten computergestützter Bildanalyse erweitert haben. Dabei verlagerte sich der Schwerpunkt zunehmend von einzelnen Erkennungsaufgaben hin zu integrierten Assistenzsystemen innerhalb des radiologischen Workflows.
Die weitere Entwicklung wird deshalb nicht allein davon abhängen, ob ein Algorithmus bestimmte Aufgaben besser oder schneller lösen kann. Entscheidend wird vielmehr sein, ob KI zuverlässig validiert ist, sich sicher in klinische Abläufe integrieren lässt und Radiolog:innen tatsächlich dabei unterstützt, diagnostische Informationen sinnvoll und verantwortungsvoll zu nutzen.