Medizinische Bildgebung ist das Herzstück moderner Diagnostik. CT, MRT, Röntgen und Ultraschall liefern täglich Millionen von Bilddatensätzen, die Ärztinnen und Ärzte befunden, vergleichen und in klinische Entscheidungen übersetzen müssen. Gleichzeitig wächst der Druck: mehr Untersuchungen, weniger radiologische Fachkräfte, höhere Komplexität. Künstliche Intelligenz hat das Potenzial, genau an dieser Schnittstelle zu entlasten – nicht als Ersatz ärztlicher Urteilskraft, sondern als leistungsfähiger kognitiver Assistent, der zuverlässiger, schneller und konsistenter arbeitet, als es menschliche Aufmerksamkeit unter Routinebedingungen erlaubt.

Was KI in der Bildgebung heute kann

Der technologische Reifegrad ist in den letzten Jahren erheblich gestiegen. Deep-Learning-Modelle erreichen in definierten Aufgaben diagnostische Genauigkeit auf Facharzt-Niveau oder darüber hinaus.

Konkrete Anwendungsfelder, die bereits in der klinischen Praxis erprobt sind oder kurz vor der Zulassung stehen, umfassen:

• Tumorerkennung und -charakterisierung: KI-Systeme detektieren Rundherde in der Lungen-CT, Läsionen in der Mammographie und Leberveränderungen mit hoher Sensitivität und ermöglichen damit ein strukturiertes Screening auch in Bevölkerungen mit hohem Risiko.

• Quantitative Bildanalyse: Statt subjektiver Größenschätzung messen KI-Algorithmen Tumorvolumina präzise und reproduzierbar. Tools automatisieren das CT-basierte Tumor-Follow-up und reduzieren die Zeit pro Befundung.

• Triage und Priorisierung: KI kann kritische Befunde, etwa einen Pneumothorax oder einen ischämischen Schlaganfall, innerhalb von Sekunden identifizieren und zur sofortigen Priorisierung in der Arbeitsliste flaggen.

• Bildrekonstruktion und Qualitätsoptimierung: KI-gestützte Rekonstruktionsalgorithmen ermöglichen diagnostisch hochwertige MRT-Aufnahmen bei kürzeren Scanzeiten und niedrigeren Strahlendosen in der CT – ein direkter Benefit für Patienten.

• Pathologie-KI (Digital Pathology): Auch außerhalb der klassischen Radiologie hält KI Einzug. Algorithmen zur Analyse digitaler Gewebeschnitte identifizieren Tumorzellmuster, prognostische Biomarker und therapierelevante molekulare Signaturen mit einer Objektivität und Skalierbarkeit, die manuell nicht erreichbar ist.
  
  Die Lücke zwischen Leistungsnachweis und Versorgungsrealität
  
  Trotz dieser Fortschritte bleibt die Diffusion in die Routineversorgung hinter dem Potenzial zurück. Die Gründe sind vielschichtig und reichen weit über die technische Reife hinaus.
  
  Erstens fehlt es vielerorts an belastbarer klinischer Evidenz. Viele KI-Studien sind retrospektiv, auf homogenen Datensätzen aus Forschungszentren trainiert und in der externen Validierung deutlich schwächer als im Trainingssetting. Prospektive, multizentrische Studien mit patientenrelevanten Endpunkten – Morbidität, Mortalität, Zeitgewinn bis zur Therapie – sind noch die Ausnahme. Ohne diese Evidenz tun sich Kliniken und Kostenträger schwer, Investitionsentscheidungen zu treffen und Erstattungsmodelle zu entwickeln.
  
  Zweitens stellt die regulatorische Genehmigung nach EU-MDR und die Zertifizierung als Medizinprodukt erhebliche Hürden dar – insbesondere für kleinere Entwicklerteams. Der Weg von einem validierten Algorithmus zu einem CE-zertifizierten, klinisch einsetzbaren Softwareprodukt erfordert Ressourcen, juristische Expertise und Qualitätsmanagementsysteme, die viele Forschungseinrichtungen allein nicht stemmen können. Fraunhofer MEVIS betreibt hier seit Jahren ein nach ISO 13485 zertifiziertes Qualitätsmanagementsystem – eine Infrastruktur, die Translation erst möglich macht.
  
  Drittens ist die klinische Integration oft unterschätzt. Ein Algorithmus, der nicht nahtlos in den radiologischen Workflow eingebettet ist, der Reibungsverluste erzeugt oder Misstrauen weckt, wird nicht genutzt. Human-Factors-Design, Schulung, Change Management und eine ehrliche Auseinandersetzung mit Haftungsfragen sind ebenso entscheidend wie die diagnostische Güte.
  
  Was Translation in der Praxis bedeutet
  
  Die Übertragung von KI-Forschung in die Versorgung ist kein linearer Prozess vom Labor in die Klinik, sondern ein iterativer Kreislauf, der klinisches Know-how, technologische Entwicklung, regulatorische Expertise und wirtschaftliches Denken von Beginn an zusammenführt. Entscheidend ist das frühe Einbinden klinischer Partner – nicht als Datenlieferanten, sondern als Co-Entwickler, die Anwendungsszenarien definieren, Annotationen qualitätssichern und die Nutzerperspektive in das Design einbringen.
  
  Ebenso wichtig ist die Infrastrukturfrage: Wer hat Zugang zu den Bilddaten? Unter welchen Bedingungen dürfen diese für das Training von KI-Modellen genutzt werden? Datenschutzkonforme Lösungen wie Federated Learning – das Training von Modellen direkt auf den Daten der Kliniken ohne zentrale Datenzusammenführung – gewinnen an Bedeutung und ermöglichen Kooperationen, die datenschutzrechtlich bisher nicht realisierbar waren.
  
  Ausblick: Wo die nächsten Schritte liegen
  
  Die nächste Welle der KI-Diagnostik wird multimodal sein: Systeme, die nicht nur Bilddaten, sondern auch Laborbefunde, Genomdaten, Anamnese und Therapieverlauf integrieren, werden präzisere und individualisierte diagnostische Einschätzungen ermöglichen. Gleichzeitig wird die Frage der Finanzierung drängender. Neue Erstattungsmodelle – etwa leistungsbasierte Vergütungen für nachweislich Zeit und Kosten sparende KI-Anwendungen – sind eine politische wie wirtschaftliche Gestaltungsaufgabe, der sich das deutsche Gesundheitssystem in den kommenden Jahren stellen muss.
  
  Die Technologie ist bereit. Jetzt geht es um die Strukturen, die Evidenz und den Mut zur Umsetzung.