Computer Vision · Healthcare
Medizinische Bildgebung mit KI: Wo sie Kliniken und MedTech entlastet
MRT- und CT-Aufnahmen enthalten mehr Information, als ein Team in der verfügbaren Zeit auswerten kann. KI übernimmt dabei aufwendige Teilschritte: Strukturen einzeichnen, auffällige Stellen markieren, Bildqualität prüfen. Die Beurteilung bleibt bei Ärztinnen und Ärzten. Zwei Projekte zeigen, wie das in der Praxis aussieht.
Julia Rose
Das Wichtigste in Kürze
- KI in der medizinischen Bildgebung unterstützt bei Segmentierung, Markierung schwer erkennbarer Befunde, Qualitätskontrolle und Arbeitsabläufen.
- Bei apoQlar dauert die Segmentierung anatomischer Strukturen für die OP-Planung Sekunden statt Stunden.
- Für das Epilepsie-Zentrum Hamburg erreichte ein Modell zur Erkennung fokaler kortikaler Dysplasien 90 % Sensitivität und 70 % Spezifität.
- Voraussetzungen sind gut annotierte Daten, nachvollziehbare Pipelines und Betrieb in der eigenen Infrastruktur, wo Patientendaten es verlangen.
Warum KI in der Bildgebung hilft
Medizinische Bildgebung ist zentral für Diagnose, Verlaufskontrolle und Therapieplanung. Die Zahl der Aufnahmen wächst, und viele Arbeitsschritte daran sind zeitaufwendig: Strukturen Schicht für Schicht einzeichnen, feine Veränderungen suchen, Aufnahmen vergleichen. Deep-Learning-Modelle können solche Teilschritte übernehmen oder vorbereiten. Sie arbeiten gleichbleibend, ermüden nicht und liefern ihre Ergebnisse in Sekunden.
Die Beurteilung bleibt dabei bei Fachleuten. KI markiert, misst und bereitet vor, die Entscheidung trifft die Radiologin, der Neurologe oder das OP-Team.
Wo KI in der Bildgebung eingesetzt wird
| Einsatzfeld | Was die KI übernimmt |
|---|---|
| Segmentierung | Knochen, Gefäße und Organe in MRT und CT automatisch einzeichnen, etwa für die OP-Planung |
| Befundhinweise | schwer erkennbare Auffälligkeiten markieren, die dann fachlich beurteilt werden |
| Qualitätskontrolle | prüfen, ob Aufnahmen für die Auswertung ausreichen, bevor Zeit verloren geht |
| Arbeitsabläufe | Aufnahmen vorsortieren, registrieren und Messwerte vorbereiten |
| 3D-Visualisierung | aus segmentierten Strukturen Modelle für Planung und Patientenaufklärung erzeugen |
Zwei Projekte aus der Praxis
Aus der Praxis: apoQlar
Die Plattform VSI HoloMedicine® zeigt Chirurginnen und Chirurgen die Anatomie eines Patienten dreidimensional in einer XR-Brille. Dafür mussten Radiologen und Techniker die Strukturen bisher von Hand einzeichnen, Schicht für Schicht, stundenlang pro Patient. Wir haben U-Net-Modelle entwickelt, je eine Variante pro Zielstruktur, für MRT und CT. Die Segmentierung dauert heute Sekunden statt Stunden, mit gleichbleibender Qualität und reproduzierbaren Pipelines auf Azure ML.
Aus der Praxis: Epilepsie-Zentrum Hamburg
Fokale kortikale Dysplasien sind eine häufige Ursache medikamentenresistenter Epilepsie und im MRT oft kaum zu sehen. Gemeinsam mit dem Epilepsie-Zentrum am Evangelischen Krankenhaus Alsterdorf haben wir ein neuronales Netz entwickelt, das solche Läsionen markiert. In der prospektiven Studie erreichte es 90 % Sensitivität und 70 % Spezifität. Die Ergebnisse sind in zwei begutachteten Fachartikeln erschienen.
Wie das Modell mit Continual Learning weiterentwickelt wurde, beschreibt unser Beitrag KI, die lernt und sich anpasst.
Was solche Projekte brauchen
- Annotierte Daten: Aufnahmen, in denen Fachleute die Zielstrukturen oder Befunde sorgfältig markiert haben. Ihre Qualität bestimmt die Qualität des Modells.
- Fachliche Zusammenarbeit: Radiologie, Neurologie oder Chirurgie legen fest, was gefunden werden soll und wann ein Ergebnis brauchbar ist.
- Nachvollziehbarkeit: Datensätze, Training und Auswertung werden vollständig dokumentiert, damit sich später prüfen lässt, wie ein Modell zu seinem Ergebnis kam.
- Datenschutz im Betrieb: Wo Patientendaten es verlangen, laufen Modelle in der eigenen Infrastruktur, und Dokumente werden vorher anonymisiert.
- Einbindung in den Ablauf: Ergebnisse müssen dort ankommen, wo gearbeitet wird, etwa direkt in der Planungssoftware.
Wie Kliniken und MedTech-Unternehmen starten
- Engpass benennen: Welcher Arbeitsschritt in der Bildgebung kostet heute am meisten Zeit oder führt zu uneinheitlichen Ergebnissen?
- Datenlage prüfen: Welche Aufnahmen und Annotationen gibt es, und in welcher Qualität?
- Prototyp auf eigenen Daten: ein Modell für eine Struktur oder einen Befund, gemessen an den Einschätzungen der Fachleute.
- In den Ablauf einbinden: erst wenn die Ergebnisse überzeugen, wird der Schritt in die bestehende Software integriert.
Weitere Einsatzfelder, von der Anonymisierung von Arztbriefen bis zu Sicherheitsfragebögen, zeigt unsere Seite KI für Healthcare und MedTech.
Bildgebung in Ihrer Klinik oder Ihrem Produkt entlasten?
Wir prüfen mit Ihnen, welcher Arbeitsschritt sich für KI eignet, welche Daten dafür vorliegen und wie ein erster Prototyp aussieht.
Prozessanalyse anfragenHäufige Fragen
Zum Beispiel für die automatische Segmentierung von Strukturen in MRT und CT, das Markieren schwer erkennbarer Befunde, die Qualitätskontrolle von Aufnahmen, die Vorbereitung von Arbeitsabläufen und 3D-Modelle für die OP-Planung.
Nein. KI markiert, misst und bereitet vor. Die Beurteilung und die Entscheidung bleiben bei den Fachleuten.
Aufnahmen, in denen Fachleute die gesuchten Strukturen oder Befunde sorgfältig markiert haben. Menge und Qualität dieser Annotationen bestimmen, wie gut das Modell wird.
Ja. Wo Patientendaten es verlangen, laufen die Modelle auf eigenen Servern oder in einer privaten Cloud der Klinik oder des Unternehmens.
Julia ist seit 2019 Teil von theBlue.ai und begleitet die Entwicklung von KI-Anwendungen im Unternehmensumfeld seit den frühen Tagen des Unternehmens. In ihrer Rolle als Marketing Lead arbeitet sie eng mit den Engineering- und Consulting-Teams zusammen und macht komplexe technische Themen für Entscheider verständlich und zugänglich.
In ihren Artikeln schreibt sie über praktische Erfahrungen aus Enterprise-KI-Projekten sowie über die Herausforderungen und Chancen beim Einsatz von KI in Unternehmen.