Radiologische Bildanalyse (Röntgen, CT, MRT)

Die Bildvolumina wachsen schneller als die Zahl der Radiologinnen und Radiologen. KI-Werkzeuge lesen DICOM-Studien im Hintergrund, markieren dringliche Befunde (Blutung, Pneumothorax, Lungenembolie), kennzeichnen verdächtige Läsionen, nehmen Messungen vor und entwerfen zunehmend auch den Befund. Als Triage, Zweitleser oder Vorleser verkürzen sie die Durchlaufzeit kritischer Fälle und können im Screening den Leseaufwand senken. Jedes Produkt, das die Diagnose beeinflusst, ist ein reguliertes Medizinprodukt; die Verantwortung bleibt bei der Radiologin bzw. dem Radiologen.

Problem & Nutzen

• Heute: Radiologinnen und Radiologen lesen Studien in einer PACS-Arbeitsliste, meist nach dem Prinzip „wer zuerst kommt, wird zuerst gelesen“, vergleichen von Hand mit Voruntersuchungen, vermessen Läsionen manuell und diktieren Befunde. Personalmangel, wachsende CT-/MRT-Volumina und die Abdeckung von Nächten und Wochenenden führen zu Rückständen und verzögerter Befundung dringlicher Fälle; die Doppelbefundung im Screening (z. B. Mammographie in vielen EU-Programmen) bindet knappe Kapazität.
• KI-Nutzen: (1) Triage - dringliche Fälle rücken in der Arbeitsliste nach oben; (2) Detektionshilfe / Zweitleser - weniger übersehene Befunde; (3) Quantifizierung - reproduzierbare Messungen und Volumina; (4) Entlastung beim Lesen - z. B. im Screening die KI-gestützte Einzelbefundung; (5) Befundentwurf mit generativen Modellen.
• Evidenz: Die schwedische randomisierte MASAI-Studie zum KI-gestützten Mammographie-Screening berichtete in ihrer Zwischenanalyse zur Sicherheit eine Verringerung des Leseaufwands um etwa 44 % bei nicht unterlegener Krebserkennung [1]. Die Evidenz für andere Modalitäten ist überwiegend retrospektiv oder stammt aus monozentrischen prospektiven Studien; der Nutzen hängt von lokaler Prävalenz, Fallmix und Arbeitsablauf ab, daher lokal validieren.

Varianten

• Triage und Detektion bei Thorax-Röntgen (Pneumothorax, Erguss, Rundherde, TB-Screening).
• CT: intrakranielle Blutung, Verschluss großer Gefäße, Lungenembolie, Lungenknoten und Lungenkrebs-Screening, Koronarkalk, Frakturerkennung, Zufallsbefunde (opportunistisches Screening).
• MRT: Hirnvolumetrie (MS, Demenz), Erkennung von Prostataläsionen (PI-RADS-Unterstützung), Muskel-Skelett-System.
• Mammographie / Brustkrebs-Screening (Bevölkerungsprogramme; Ersatz der Doppelbefundung) - die am besten belegte Variante.
• Röntgen des Muskel-Skelett-Systems: Frakturerkennung in Notaufnahmen und Notfallambulanzen.
• Teleradiologie / ausgelagerte Befundung mit KI-Vortriage über mehrere Standorte.
• Variante Befunderstellung: Vision-Language-Modelle entwerfen Befunde aus Bildern (in der EU noch weitgehend vor der Zulassung oder im Erprobungsstatus).
• Angrenzende Bildgebung: Pathologie HLTH-002, Haut/Auge HLTH-006, Endoskopie HLTH-022, Ultraschall HLTH-024, Zahnmedizin HLTH-014, Konturierung in der Strahlentherapie HLTH-021, Rekonstruktion HLTH-023.

So funktioniert es

modality (CT/MR/XR) -> PACS/VNA -> DICOM routing rule (modality, body part, indication)
  -> AI orchestrator / platform (de-identify if cloud) -> inference per algorithm
  -> results: DICOM SR / GSPS / secondary capture, priority flag, measurements
  -> PACS viewer + RIS worklist re-prioritisation
  -> radiologist reads, accepts / rejects findings -> signed report
  -> feedback + monitoring (drift, discordance, turnaround time)

• Modelle: CNN-/ViT-Klassifikatoren (Markierungen auf Studienebene), Detektoren (Rundherde, Frakturen), Segmentierungsnetze (nnU-Net-Stil für Organe, Tumoren, Volumetrie) und zunehmend radiologische Foundation-Modelle sowie Vision-Language-Modelle für Suche, Vorbefundung und Konsistenzprüfungen zwischen Befund und Bild.
• Integration: DICOM / DICOMweb, HL7 v2 / FHIR, IHE-Profile (AI Results, AIW-I); ein KI-Orchestrator leitet Studien an mehrere Algorithmen weiter und liefert die Ergebnisse in einem einzigen Viewer zurück.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die KI-Ausgabe ist nur beratend. Die Radiologin bzw. der Radiologe sichtet die Bilder, bestätigt oder verwirft jeden Befund und unterzeichnet den Befund; Ergebnisse zu kritischen Befunden folgen dem lokalen Eskalationsprozess. Im Screening bleiben Wiedereinbestellungsentscheidungen bei den Radiologinnen und Radiologen.

Datenaufbereitung

Radiologische KI benötigt DICOM-Studien aus PACS/VNA, Voruntersuchungen, die klinische Fragestellung aus RIS/KIS und die unterzeichneten Befunde. In einer Klinik liegen diese im PACS, im RIS und teils in lokalen Modalitätsarchiven. Typische Lücken: uneinheitliche DICOM-Tags (Serienbeschreibungen, Körperregionsfelder), fehlende oder frei formulierte Indikationen, unterschiedliche Scanner-Protokolle, doppelte oder falsch zugeordnete Studien, Befunde mit je nach Radiologin bzw. Radiologe unterschiedlicher Struktur sowie Patientenkennungen in Bild-Headern oder eingebrannten Annotationen.

Schritte der Aufbereitung: (1) Modalitäten, PACS-Routing und Qualität der DICOM-Tags gemeinsam mit dem PACS-Hersteller erfassen; (2) festlegen, welche Studien im Umfang liegen und wie Voruntersuchungen zugeordnet werden; (3) beim Kauf eine lokale Validierung an einer repräsentativen Stichprobe der eigenen Geräte durchführen, weil die Leistung bei ungewohnten Protokollen sinken kann; (4) für Training oder Forschung Header und Pixeldaten de-identifizieren (PREP-022) und mit Radiologinnen und Radiologen einen Referenzdatensatz aufbauen (PREP-018, PREP-019); (5) Labels aus unterzeichneten Befunden mit Vorsicht gewinnen, da Befundtext ein verrauschtes Label ist (PREP-020); (6) Korrekturen der Radiologinnen und Radiologen als Feedback erfassen (PREP-021). Wo möglich, die DICOM-Schnittstellen (DICOMweb, HL7) statt Exporten nutzen (PREP-005).

Aufwand: hoch. Etwa die Hälfte eines Entwicklungs- oder Validierungsprojekts entfällt auf Datenzugang, De-Identifizierung, Annotation und lokale Validierung; ein zertifiziertes Produkt verlagert das meiste davon auf Integration und Abnahmetests. Siehe auch GUIDE-003 und DATA-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Klinik, Radiologiegruppe): Weg A, weil MDR-zertifizierte Produkte mit PACS-Anbindung existieren und die eigene Zertifizierung eines Medizinprodukts sich selten lohnt.
• Entwickler: Weg C, weil Open-Source-Frameworks wie MONAI und offene Datensätze Forschung und Prototypen ermöglichen, ohne Patientenbilder an Dritte zu senden.
• Öffentlicher Sektor (Universitätsklinikum, kommunale Klinik): Weg A mit zertifizierten Produkten, weil Vergaberecht und Medizinprodukterecht zertifizierte, nachvollziehbare Anbieter begünstigen.

Weg A — Kaufen (Standardsoftware)

• Anbieter von CE-gekennzeichneten (MDR) Algorithmen: Aidoc (aiOS-Plattform, CT-/Röntgen-Triage), Annalise.ai (Thorax-Röntgen/CT Gehirn), Lunit (INSIGHT CXR/MMG), Gleamer (BoneView, Frakturen; EU, Frankreich), Qure.ai, Vara (EU, Deutschland, Brustkrebs-Screening), ScreenPoint Transpara (EU, Niederlande, Mammographie), Therapixel (EU, Frankreich), Oxipit ChestLink (EU, Litauen, autonome Befundung unauffälliger Thorax-Röntgenbilder), Incepto (EU, Frankreich), icometrix (EU, Belgien, Hirn-MRT), Brainomix (Schlaganfall), Mediaire (EU, Deutschland, Neuro-Volumetrie), Quantib/RadNet (Prostata/Gehirn), deepc (EU, Deutschland, KI-Marktplatz/Orchestrator), Blackford (Bayer).
• Etablierte Plattform-/Viewer-Anbieter: Siemens Healthineers AI-Rad Companion, GE HealthCare Edison, Philips HealthSuite Imaging, Sectra und Agfa PACS mit KI-App-Stores.
• Weg A wählen, wenn: ein klarer klinischer Bedarf besteht, der Hersteller die MDR-Zertifizierung für Ihre vorgesehene Zweckbestimmung und Patientengruppe besitzt und veröffentlichte Validierungen vorliegen. Vor dem Produktivbetrieb einen lokalen Pilotbetrieb im stillen Modus (Silent Mode) durchführen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Orchestrierung und Speicherung: Azure Health Data Services (DICOM-Dienst), Google Cloud Healthcare API (DICOMweb), AWS HealthImaging - alle mit EU-Regionen. Kombinieren Sie sie mit einem in der EU gehosteten De-Identifizierungsschritt.
• Modelle für Forschung/Prototypen: Google MedGemma (multimodal mit offenen Gewichten, u. a. für Thorax-Röntgen und Befundaufgaben) und MONAI-basierte Modelle auf Cloud-GPUs. Multimodale Allzweck-LLMs der Spitzenklasse sind keine zertifizierten Medizinprodukte und dürfen außerhalb von Studien nicht zur klinischen Interpretation verwendet werden.
• Weg B wählen, wenn: Sie ein internes Forschungs- oder Qualitätssicherungswerkzeug bauen, kein Diagnoseprodukt. Wer einen eigenen Algorithmus klinisch einsetzt, wird zum Hersteller (oder zum Betreiber einer hausinternen Herstellung nach MDR Art. 5 Abs. 5) mit allen daraus folgenden Pflichten.

Weg C — Selbst betreiben (Open Source)

• Frameworks: MONAI (PyTorch, Project MONAI Label/Deploy), nnU-Net, TotalSegmentator (CT-/MR-Organ- Segmentierung), Orthanc oder dcm4chee als DICOM-Server, OHIF-Viewer.
• Modelle mit offenen Gewichten: MedGemma, Microsoft RAD-DINO und Modelle der BiomedParse-Klasse, CheXagent-artige Thorax-Röntgen- VLMs, MONAI Model Zoo; Lizenzbedingungen prüfen (nicht-kommerzielle Einschränkungen sind häufig).
• Hardware: HW2 für CT-/Röntgen-Inferenz bei mittlerem Volumen; HW3 für große 3D-Modelle, MRT und VLMs. Ausschließlich On-Premises im Klinik-Netzwerk.
• Realitätscheck: Offene Modelle sind auf Forschungsniveau; für den klinischen Einsatz sind Validierung und MDR-Konformität nötig, oder die Nutzung beschränkt sich auf Forschung mit Ethikvotum.

Weg D — Eigenes Training

Lohnt sich für lokale Populationen, neue Indikationen oder gerätespezifische Verschiebungen. Erfordert Tausende von durch Fachleute annotierten Studien (mehr bei seltenen Befunden), Daten aus mehreren Standorten, ein Ethikvotum, eine Rechtsgrundlage (Forschungsprivileg, Einwilligung) und oft Federated Learning oder sichere Verarbeitungsumgebungen. Üblich ist ein Vortraining auf öffentlichen Datensätzen (CheXpert, MIMIC-CXR, NIH ChestX-ray14, LIDC-IDRI, TCIA-Sammlungen) und anschließendes Feintuning auf lokalen Daten. Rechnen Sie mit einem Qualitätsmanagementsystem für Medizinprodukte (ISO 13485, IEC 62304, ISO 14971), wenn das Produkt auf den Markt kommt.

Stand der Technik (2026)

• Triage und Detektion bei Schlaganfall-/Blutungs-CT, Thorax-Röntgen, Frakturen und Mammographie sind ausgereift, weit verbreitet CE-gekennzeichnet (und FDA-zugelassen), mit prospektiven Daten im Screening.
• Screening: KI-gestützte Einzelbefundung und KI-Triage unauffälliger bzw. Hochrisikofälle gehen von Studien in nationale Programme über; die Evidenz aus MASAI [1] und weiteren europäischen Studien treibt die Einführung.
• Foundation- und Vision-Language-Modelle (radiologisch vortrainierte Encoder, Modelle der MedGemma-Klasse) liefern starke Ergebnisse bei Benchmark-Aufgaben und ermöglichen Befundentwürfe, leiden aber unter halluzinierten Befunden, schwacher Lokalisierung und Empfindlichkeit gegenüber Prompts; Benchmark-Werte lassen sich nicht ohne Weiteres auf die klinische Praxis übertragen.
• Autonome Befundung unauffälliger Thorax-Röntgenbilder ist bei mindestens einem Produkt CE-gekennzeichnet (Oxipit ChestLink), bleibt aber eine Ausnahme mit strengen Auflagen.
• Grenzen und Fehlerbilder: Datenverschiebung zwischen Scannern, Protokollen und Populationen; Automationsbias (Radiologinnen und Radiologen folgen falschen KI-Hinweisen); falsch positive Ergebnisse, die den Aufwand erhöhen; Verzerrung in Untergruppen; Shortcut-Learning (z. B. Schläuche, Scanner-Markierungen); Leistungsdrift nach Software- oder Protokoll-Updates.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Bildklassifikation, Segmentierung, DICOM-Infrastruktur): HLTH-002 Pathologie, HLTH-006 Haut/Auge, HLTH-013 EKG, HLTH-021 Konturierung, HLTH-022 Endoskopie, HLTH-023 Rekonstruktion, HLTH-024 Ultraschall - eine DICOM-/Orchestrierungsschicht und ein GPU-Pool (HW3) können alle Bildgebungs-Anwendungsfälle bedienen.
• Befundseite: HLTH-011 Befunderstellung, SPEECH-005 Diktat, HLTH-018 Zusammenfassung von Patientenakten, DOC-007 Extraktion.
• Datenschutzwerkzeuge: DOC-018 und VIS-030 zur Anonymisierung von Exporten und eingebrannten Annotationen.
• Entscheidungsunterstützung: HLTH-004 für nachgelagerte klinische Entscheidungspfade.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für Vertragsabschluss und Integration je Algorithmus, 2-4 Monate mit Validierung im stillen Modus; die Preise richten sich typischerweise nach Studie, Modalität oder Standortlizenz; Orchestratoren verringern den Integrationsaufwand.
• Weg B/C: 6-12+ Monate für ein validiertes Forschungswerkzeug; GPU, MLOps und klinische Annotation dominieren die Kosten.
• Weg D: 12+ Monate und ein Regulierungsbudget, wenn der Markteintritt angestrebt wird.
• Kennzahlen: Sensitivität/Spezifität und AUC auf lokalen Daten; Durchlaufzeit bei kritischen Befunden; Befundzeit je Studie; Wiedereinbestellungs- und Krebserkennungsraten (Screening); Akzeptanz-/Übersteuerungsrate der KI- Befunde; Diskordanz mit der endgültigen Diagnose; Drift-Kennzahlen; Zeit bis zum Öffnen markierter Fälle in der Arbeitsliste.

Menschen & Veränderung

Beziehen Sie Geschäftsleitung und Leitung der Radiologie von Anfang an ein, denn der Anwendungsfall verändert einen klinischen Kernprozess und braucht ein Budget sowie eine benannte klinische Verantwortung. IT und IT-Sicherheit stoßen früh für PACS-/RIS-Anbindung, Netzwerkzonen und Updates hinzu; die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte prüft die Rechtsgrundlage für Patientendaten, den Auftragsverarbeitungsvertrag (AVV) und eine Datenschutz-Folgenabschätzung (DSFA), die wahrscheinlich nötig ist, weil Gesundheitsdaten in großem Umfang verarbeitet werden (GUIDE-005). Ergänzen Sie die Dateneigentümer des PACS-Archivs und, wenn eine Wiederverwendung für Trainingszwecke geplant ist, die Ethikkommission.

Betriebsrat: abhängig vom Einzelfall. Ein Unternehmen oder eine Klinik mit Betriebsrat muss diesen dennoch rechtzeitig informieren (§ 90 Abs. 1 Nr. 3 BetrVG), und eine Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG ist wahrscheinlich, wenn das System protokolliert, welche Radiologin bzw. welcher Radiologe Befunde akzeptiert oder verworfen hat, da die objektive Eignung zur Überwachung genügt. Öffentliche Kliniken beziehen den Personalrat ein. Siehe GUIDE-004.

KI-Kompetenz: Unterstützen Sie Radiologinnen, Radiologen und MTR mit Schulungen zu Stärken, Mustern falsch positiver und falsch negativer Ergebnisse sowie zum Automationsbias (GUIDE-006, Art. 4 KI-Verordnung). Beginnen Sie mit einer Pilotgruppe von zwei bis vier motivierten Radiologinnen und Radiologen an einer Modalität, betreiben Sie das System im Schattenmodus und vereinbaren Sie dann Kriterien für die Entscheidung über den Produktivstart (GUIDE-009). Typische Bedenken sind Kompetenzverlust, Haftung und Zeitdruck: Begegnen Sie ihnen, indem die Radiologin bzw. der Radiologe die Entscheidung trifft, die KI-Ausgabe übersteuerbar bleibt und KI-Kennzahlen nicht zur Leistungsbeurteilung Einzelner verwendet werden (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): KI, die ein Medizinprodukt (oder dessen Sicherheitskomponente) ist und eine Konformitätsbewertung durch eine Benannte Stelle nach MDR erfordert (Klasse IIa und höher für die meiste Diagnosesoftware, Regel 11), gilt nach Art. 6 Abs. 1 / Anhang I als Hochrisiko-KI. Die Hochrisiko-Pflichten für solche Produkte gelten ab dem 2. August 2028 (vom August 2027 verschoben durch den Digital Omnibus on AI, Verordnung (EU) 2026/1744; im Amtsblatt prüfen). Betreiber müssen menschliche Aufsicht, geschultes Personal, Protokollierung und Überwachung (Art. 26) sowie KI-Kompetenz (Art. 4) sicherstellen. Kein Verbot nach Art. 5 betrifft die Bildanalyse als solche; vermeiden Sie es, aus Bildern Emotionen oder sensible Merkmale abzuleiten.
• MDR (EU) 2017/745: Software zur Diagnose wird nach Regel 11 eingestuft (in der Regel IIa-III); erforderlich sind CE-Kennzeichnung, klinische Bewertung und Überwachung nach dem Inverkehrbringen. Die Eigenentwicklung in Kliniken ist nur unter den Bedingungen von Art. 5 Abs. 5 zulässig (kein gleichwertiges CE-Produkt auf dem Markt, begründeter Bedarf). Allzweck-Chatbots haben keine CE-Kennzeichnung für die Diagnose.
• DSGVO: Bilddaten sind Gesundheitsdaten besonderer Kategorien (Art. 9). Erforderlich sind eine Rechtsgrundlage für die Behandlung (Art. 9 Abs. 2 Buchst. h), ein AVV mit Auftragsverarbeitern, eine DSFA, Verarbeitung in der EU/im EWR, De-Identifizierung bei Zweitnutzung (DICOM-Header, eingebrannter Text, Gesichtsrekonstruktion aus Kopf-CT/-MRT). Die Nutzung für Forschung braucht ein Ethikvotum und oft eine Einwilligung. Deutschland: Landeskrankenhausgesetze und Patientendaten-Schutz-Gesetze; ärztliche Schweigepflicht (§ 203 StGB) bei Cloud-Anbietern.
• Europäischer Gesundheitsdatenraum (EHDS, Verordnung (EU) 2025/327): regelt in den kommenden Jahren die Zweitnutzung von Gesundheitsdaten; planen Sie einen genehmigungsbasierten Zugang zu Bilddaten ein.
• Berufsrechtliche Regeln: Strahlenschutzrecht und Anforderungen an qualifizierte Radiologinnen und Radiologen bleiben bestehen; KI ersetzt nicht die Verantwortung für den ärztlichen Befund.
• Gegenmaßnahmen: lokale Validierung und Pilotbetrieb im stillen Modus, Überwachung der Leistung in Untergruppen, Drift-Dashboards, Schulung der Nutzenden gegen Automationsbias, dokumentierte Zweckbestimmung, Rückfall auf manuelle Befundung.

Erste Schritte

1. Wählen Sie eine wertvolle, gut belegte Indikation (z. B. Triage von Hirnblutungen im Kopf-CT oder Zweitbefundung in der Mammographie).
2. Prüfen Sie, ob das CE-Zertifikat des infrage kommenden Produkts Ihre Zweckbestimmung, Modalität und Patientengruppe abdeckt; fordern Sie begutachtete Validierungsstudien und den Plan des Herstellers zur Überwachung nach dem Inverkehrbringen an.
3. Richten Sie in einer Testumgebung DICOM-Routing und einen Orchestrator oder Hersteller-Gateway ein; klären Sie DSFA und AVV.
4. Führen Sie einen 2-3-monatigen Pilotbetrieb im stillen Modus gegen die endgültigen radiologischen Befunde durch; legen Sie Schwellenwerte für den Produktivstart fest.
5. Gehen Sie mit Schulung, Eskalationsprozess für von der KI markierte kritische Befunde und monatlichem Monitoring in den Produktivbetrieb.

Quellen

1. Lang K. et al. - AI-supported mammography screening, MASAI randomised trial (Lancet Oncology, 2023) - https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(23)00298-X/fulltext
2. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
3. Regulation (EU) 2017/745 (MDR) - https://eur-lex.europa.eu/eli/reg/2017/745/oj
4. European Commission - MDCG 2019-11 guidance on qualification and classification of software - https://health.ec.europa.eu/medical-devices-sector/new-regulations/guidance-mdcg-endorsed-documents-and-other-guidance_en
5. Project MONAI - https://monai.io/
6. Google Health AI Developer Foundations - MedGemma - https://developers.google.com/health-ai-developer-foundations/medgemma
7. TotalSegmentator - https://github.com/wasserth/TotalSegmentator
8. nnU-Net - https://github.com/MIC-DKFZ/nnUNet
9. Regulation (EU) 2025/327 (European Health Data Space) - https://eur-lex.europa.eu/eli/reg/2025/327/oj
10. European Society of Radiology - AI in radiology resources - https://www.myesr.org/ai-in-radiology/