KI und strukturierte Befundung in der Radiologie

KI in der Radiologie hat sich in den vergangenen Jahren von einem Forschungsthema zu einem zunehmend praktisch einsetzbaren Werkzeug entwickelt. Eine zentrale technologische Grundlage bilden Deep-Learning-Verfahren, die aus grossen Mengen medizinischer Bilddaten charakteristische Muster erlernen und diese auf neue Untersuchungen anwenden können. Die Entwicklung von den ersten computergestützten Ansätzen bis zu modernen Deep-Learning-Systemen beschreibt auch die Geschichte der KI in der Radiologie.

Im klinischen Alltag kann KI Radiolog:innen bei klar definierten Aufgaben unterstützen. Dazu gehören beispielsweise die Erkennung und Markierung auffälliger Bildbefunde, Segmentierungen, quantitative Messungen, die Priorisierung dringlicher Untersuchungen oder die Verlaufskontrolle bereits bekannter Veränderungen. Auch bei Bildrekonstruktion, Untersuchungsplanung und Qualitätskontrolle kommen zunehmend KI-basierte Verfahren zum Einsatz.

Der Nutzen von KI in der Radiologie

Der wesentliche Vorteil liegt weniger darin, die radiologische Befundung zu ersetzen, als darin, wiederkehrende und standardisierbare Arbeitsschritte zu unterstützen. Automatisierte Messungen können Zeit sparen und die Reproduzierbarkeit verbessern. Eine softwaregestützte Zweitbewertung kann auf mögliche Auffälligkeiten hinweisen, während Priorisierungsalgorithmen helfen können, zeitkritische Untersuchungen in grossen Arbeitslisten schneller zu identifizieren.

Besonders interessant wird KI dort, wo grosse Mengen quantitativer Informationen verarbeitet werden müssen. Volumetrische Messungen, Organ- und Läsionssegmentierungen oder der Vergleich mehrerer Voruntersuchungen können automatisiert vorbereitet werden. Dadurch kann mehr Zeit für die eigentliche ärztliche Aufgabe bleiben: die Interpretation der Untersuchung im klinischen Kontext.

Die Aufgabe der Radiologin und des Radiologen

Ein KI-System beurteilt eine Untersuchung innerhalb der Grenzen seiner Entwicklung und seines Trainings. Die radiologische Befundung geht jedoch darüber hinaus. Radiolog:innen berücksichtigen die klinische Fragestellung, Voruntersuchungen, Begleiterkrankungen, mögliche Differenzialdiagnosen und die Konsequenzen eines Befundes für die weitere Behandlung.

Die Aufgabe des Radiologen verschiebt sich deshalb nicht von der medizinischen Verantwortung zur Kontrolle eines Algorithmus. Vielmehr entsteht ein Zusammenspiel zwischen ärztlicher Expertise und technischer Entscheidungsunterstützung. Die abschliessende Bewertung, Einordnung und Kommunikation eines radiologischen Befundes bleiben ärztliche Aufgaben.

Grenzen und mögliche Fehlerquellen

Auch leistungsfähige KI-Systeme sind nicht fehlerfrei. Ihre Ergebnisse hängen unter anderem von den verwendeten Trainingsdaten, der Bildqualität, dem Untersuchungsprotokoll und der jeweiligen Patientenpopulation ab. Ein Algorithmus kann Auffälligkeiten übersehen, normale Strukturen fälschlicherweise markieren oder bei Untersuchungen ausserhalb seines vorgesehenen Einsatzbereichs unzuverlässige Ergebnisse liefern.

Besondere Aufmerksamkeit erfordern deshalb falsch-negative und falsch-positive Ergebnisse sowie die Gefahr einer unkritischen Übernahme automatisierter Vorschläge. KI-Ergebnisse müssen im klinischen Kontext bewertet werden und dürfen nicht isoliert betrachtet werden.

Strukturierte Befundung als Verbindung zwischen Mensch und Maschine

Parallel zur Entwicklung der KI gewinnt die strukturierte Befundung in vielen Bereichen der Radiologie an Bedeutung. Standardisierte Befundstrukturen können sicherstellen, dass relevante Informationen systematisch erfasst werden und für zuweisende Ärzt:innen leichter auffindbar sind. Sie erleichtern zudem Qualitätskontrollen, wissenschaftliche Auswertungen und die Vergleichbarkeit von Verlaufsuntersuchungen.

Gerade in Verbindung mit KI entsteht daraus ein interessanter Ansatz: Algorithmen können Messwerte, Segmentierungen oder erkannte Auffälligkeiten bereitstellen und in strukturierte Arbeitsabläufe integrieren. Der Radiologe bewertet diese Informationen, ergänzt den klinischen Kontext und formuliert daraus die diagnostische Schlussfolgerung.

KI in der Radiologie: Werkzeug statt Selbstzweck

Der klinische Wert künstlicher Intelligenz entscheidet sich letztlich nicht an der technischen Leistungsfähigkeit eines einzelnen Algorithmus. Entscheidend ist, ob ein System den radiologischen Workflow tatsächlich verbessert: durch Zeitgewinn, höhere Reproduzierbarkeit, bessere Quantifizierung, sinnvolle Priorisierung oder zusätzliche diagnostische Sicherheit. Die technische Grundlage für solche integrierten digitalen Arbeitsabläufe bilden unter anderem PACS und modernes Bilddatenmanagement.

Die entscheidende Frage lautet daher nicht, ob KI die Radiologin oder den Radiologen ersetzen kann. Entscheidend ist, welche Aufgaben sinnvoll automatisiert oder unterstützt werden können und wo ärztliche Erfahrung, klinische Einordnung und Verantwortung unverzichtbar bleiben.