KI in der Radiologie – Potenzial und Risiko
Künstliche Intelligenz, kurz KI (oder AI aus dem Englischen für Artificial Intelligence), sorgt seit der Veröffentlichung von Sprachmodellen wie ChatGPT, Perplexity AI und Gemini sowie diversen Bilderzeugungstools fast wöchentlich für Schlagzeilen über neue Anwendungen und Verbesserungen der Qualität.
In welcher Form sind KI-gestützte Systeme für die Radiologie relevant und wo liegt Potenzial für die Zukunft? Besonders im Gesundheitswesen steht der Einsatz künstlicher Intelligenz vor Herausforderungen, etwa im Hinblick auf Schutz von Patientendaten oder für die Diagnosestellung.
Was ist KI?
Um zu verstehen, welchen Nutzen künstliche Intelligenz für die Radiologie und Nuklearmedizin haben kann bzw. wo Anwender und Patienten mit Risiken rechnen müssen, braucht es zuerst einen Blick auf die verfügbaren KI-Modelle. Was Patienten im Alltag als KI erleben, sind Sprachmodelle – sogenannte LLMs (Large Language Models) – und Anwendungen, die basierend auf Sprach- oder Textbefehlen Bilder und kurze Videos erstellen.
Dazu nutzen die Modelle riesige Datenmengen als Trainingsbasis. Zu den Aufgaben der LLMs gehören unter anderem die Textgenerierung und Erstellung von Textzusammenfassungen sowie das Beantworten von Fragen. Mit den Anforderungen der Radiologie an KI-Modelle sind hier bereits Schnittpunkte, beispielsweise für die Kommunikation mit Patienten, zu erkennen. Viele medizinische Aufgaben erfordern allerdings eine andere Schwerpunktsetzung. Die Analyse von Bilddaten spielt eine zentrale Rolle in der Radiologie. Es geht um das Erkennen anatomischer Strukturen und von Hinweisen, die auf Tumore oder andere Pathologien hindeuten.
KI-Nutzung nach individuellem Training
Aufgrund der besonderen Herausforderungen, welche künstliche Intelligenz beim Einsatz in der Radiologie bewältigen muss, braucht es individuelle Lösungen. Besonders im Rahmen der Bildauswertung und Behandlungsplanung werden KI-Systeme nur bestehen können, wenn sie speziell auf die einzelnen Anwendungen trainiert werden. Um als Werkzeug eine Chance zu haben, setzt das Training die Verwendung realer Bilddaten aus der medizinischen Praxis voraus, was die Frage nach dem Schutz der Patientendaten aufwirft.
Potenziale der KI in der Radiologie
Der Einsatz von KI-Systemen in der Radiologie ist in verschiedenen Bereichen denkbar: vom Erstkontakt mit Patienten über die Verwaltung der Patientenakten bis hin zur Analyse von Bilddaten und der Befundung.
Erstkontakt, Termin- und Patientenverwaltung
Innerhalb einer Radiologiepraxis werden umfassende Ressourcen dafür eingesetzt, mit Patienten zu kommunizieren, deren Daten zu verwalten und Anfragen zu beantworten. KI-Systeme sind als direkte Schnittstellen in der Patientenkommunikation denkbar, etwa über einen KI-Chatbot, der nach dem Erstkontakt die Vergabe von Terminen und Aufnahme relevanter Patientendaten übernimmt.
Diese Aufgabe kann direkt online oder über telefonische Assistenzsysteme erledigt werden. Die Systeme lassen sich so konfigurieren, dass alle Informationen in Datenbanken eingepflegt werden, die von Praxismitarbeitern eingesehen, bearbeitet und bei Bedarf zur Kontaktaufnahme mit Patienten genutzt werden können.
Solche digitalen Telefonassistenten gibt es bereits als Angebote verschiedener Servicedienstleister. Deren Aufgaben umfassen:
- Entgegennahme von Telefonanrufen mit Abfrage des Kontaktgrundes (z.B. Terminvereinbarung, Rezeptwunsch oder Rücksprache mit der Praxis);
- Speicherung der Datensätze in einer Datenbank;
- Übertragung von Terminbuchungen in das Praxisverwaltungssystem.
Integration in die Patientenaufklärung
Patienten haben in Deutschland ein Anrecht darauf, über die Behandlung bzw. Untersuchung informiert und aufgeklärt zu werden. In der Radiologie erfolgt die Patientenaufklärung über verschriftlichtes Informationsmaterial oder im Rahmen eines Aufklärungsgesprächs. In beiden Fällen ist der Aufklärungsbogen in der Regel gegenzuzeichnen.
Oft tauchen Fragen aber auch abseits der Patientenaufklärung auf. Hier besteht die Möglichkeit, KI-Systeme einzubinden, die als Informationswerkzeug verschiedene Fragen beantworten. Bereits heute gibt es diverse Tools, die beispielsweise als Chatbot Informationen zur Verfügung stellen und auf Fragen eingehen.
Durch ein speziell auf die Radiologie abgestimmtes Training liefern diese Systeme eine Vielzahl von Hinweisen und Fakten zu einzelnen Behandlungen, wodurch Ärzte und Praxisteams entlastet werden. Bei patientenindividuellen Fragestellungen stoßen solche Systeme jedoch an ihre Grenzen.
Workflow-Optimierung zur besseren Priorisierung
KI-Systeme können in der Radiologie in Zukunft für die Optimierung der Behandlungsabläufe eingesetzt werden. Hintergrund: Eine Behandlung von Patienten nach der FiFo-Methode (first-in, first-out) hat den Nachteil, dass klinisch dringende Fälle nicht angemessen berücksichtigt werden. Informatiker arbeiten daran, mit Hilfe künstlicher Intelligenz Arbeitslisten zu erstellen, die eingehende Untersuchungen nach Dringlichkeit sortieren und damit die durchschnittliche Bearbeitungs- bzw. Wartezeit bei dringenden Befunden reduzieren [1].
Bildanalyse in der Radiologie mit Hilfe von KI
In der Radiologie machen die Aufnahme und Auswertung von CT-, Röntgen- und MRT-Bildern einen wesentlichen Anteil des Alltags aus. Der Einsatz von KI-Anwendungen verspricht hier eine Effizienzsteigerung und Entlastung der Praxen. Mit der automatisierten Analyse und Auswertung der Bilder ist eine Bearbeitung größerer Datenmengen und deren Bewertung nach Dringlichkeit möglich.
Aktuelle Studien beschäftigen sich unter anderem mit der automatisierten Auswertung von Lungenscans – unter Berücksichtigung von Fragestellungen zur Entwicklung von Tuberkulose in Risikogruppen [2] – oder der Suche nach Brustkrebs.
Verbesserung der Bildqualität
Besonders die Magnetresonanztomographie (MRT) und Untersuchungen im Computertomographen (CT) sind als bildgebende Verfahren in der Klärung vieler Fragestellungen im Einsatz. In den letzten Jahren hat die Nutzung der beiden Methoden stark zugenommen. Ein Problem, da sich hieraus mitunter lange Wartezeiten ergeben.
Eine Verkürzung der Aufnahmezeit ist jedoch schwierig umzusetzen, da dabei die räumliche Auflösung leidet, was wiederum die diagnostische Aussagekraft beeinträchtigt. Aktuelle Studiengruppen versuchen, über KI-gestützte Algorithmen die Auflösung der Aufnahmen so zu verbessern, dass sich trotz verringerter Aufnahmezeit die nötigen diagnostischen Informationen erhalten lassen [3]. Versuche mit der Magnetresonanztomographie haben eine bis zu 60 Prozent verringerte Aufnahmezeit erreicht [4].
Mehr über LifeLink
Finden Sie jetzt die
Praxis in Ihrer Nähe!
Wir sind überzeugt, dass die Medizin von morgen anders aussehen sollte. Wir sehen den Menschen im Mittelpunkt exzellenter Medizin.
Risiken und Herausforderungen von KI in der Radiologie
KI-Systeme verfolgen für den Einsatz in der Medizin bereits vielversprechende Ansätze. Aber: Es sind verschiedene Herausforderungen und Probleme zu lösen, die nicht nur durch technische und wirtschaftliche Rahmenbedingungen vorgegeben werden. Besonders aus der Rechtsunsicherheit in Bezug auf die Haftung und den Umgang mit Patientendaten ergeben sich schwerwiegende Fragestellungen.
Datenqualität und Datenschutz
KI benötigt große Datenmengen, die für ein zielgerichtetes Training verwendet werden. Die Qualität der Daten und der Datenschutz werden damit zu zentralen Herausforderungen bei deren Einsatz in der Radiologie. Ohne das Vorhandensein qualitativ hochwertiger Daten ist die Verwendung für präzise Diagnosen nicht denkbar.
Damit berühren KI und deren Training Datenschutzrichtlinien, wie die Datenschutz-Grundverordnung (DSGVO). Um Datenschutzverletzungen zu verhindern, braucht es robuste Sicherheitsmaßnahmen und eine umfassende Anonymisierung der Daten. An dieser Stelle ist abzuwägen, welcher Nutzen dem Schutz der Patientendaten gegenübersteht.
Ein weiteres Problem ist die Qualität der vorhandenen Daten. Sind die Datensätze unausgewogen oder enthalten systematische Verzerrungen, wird die medizinische KI auf Fehler trainiert und liefert nur ungenaue Ergebnisse. Diese Verzerrung zwischen dem Trainingsdatensatz und den realen Daten hat einen negativen Einfluss auf die Leistung der jeweiligen KI-Systeme. Hier kommt es zu einer verminderten Relevanz der Systeme für den praktischen Einsatz.
Fehlinterpretation und Diagnosesicherheit
Ein zentrales Risiko beim KI-Einsatz in der Radiologie ist die Gefahr möglicher Fehlinterpretationen. KI-Systeme können anatomische Strukturen übersehen (falsch-negative Ergebnisse) oder einen Befund als falsch-positiv erkennen. Besonders im Hinblick auf kritische Befunde, die übersehen werden, ist die Diagnosesicherheit eine wesentliche Fragestellung, die beantwortet werden muss.
Was die Interpretation der Befunde durch KI erschwert, ist der Black-Box-Charakter der KI-Systeme. Die Entscheidungen der komplexen Algorithmen sind für das Fachpersonal in Radiologiepraxen nicht transparent nachvollziehbar. Damit wird die Bewertung der Ergebnisse der medizinischen KI aus dem fachärztlichen Standpunkt erschwert.
Fehlinterpretationen der KI werfen auch Haftungsfragen auf und führen zu erheblicher Rechtsunsicherheit, die sowohl die Entwickler der KI-Systeme als auch die Ärzte betrifft. Für den Einsatz in der radiologischen Praxis ist eine umfassende Validierung der KI-Systeme erforderlich. Ihr Nutzen, die Qualität und Konsistenz der Ergebnisse müssen in vielen Fällen noch durch Studien überprüft werden.
Integration in den Praxisalltag und Wirtschaftlichkeit
Zu den Herausforderungen im Praxisalltag zählt die Integration der KI-Systeme und Lösungen. Hier stößt Deutschland an Grenzen hinsichtlich der Abrechnungsfähigkeit. Die Nutzung der Deep-Learning-Produkte ist in den aktuellen Fassungen der Vergütungsordnungen nicht geregelt. Damit wird es schwierig, sich diese Leistungen als Praxis gesondert vergüten zu lassen, was wiederum die Frage nach der Wirtschaftlichkeit aufwirft.
An dieser Stelle entsteht eine Kosten-Nutzen-Barriere, die den praktischen Einsatz von KI-Systemen gerade für kleinere Praxen aktuell als eher nicht sinnvoll erscheinen lässt. Hier bleibt abzuwarten, wie ein wachsender Digitalisierungsgrad in Neufassungen der Vergütungsordnung einfließt und sich die wirtschaftlichen Rahmenbedingungen auf der Kostenseite in den nächsten Jahren verändern werden.
Heterogenität der Anwendungen
Mit der Vielzahl an Einsatzmöglichkeiten wächst das Angebot an unterschiedlichen Lösungen. Für die Radiologie wird diese Heterogenität allerdings zu einem Problem. Viele der KI-Systeme sind auf verschiedene Spezialgebiete zugeschnitten, was das Angebot unübersichtlich macht. Für einen praxisrelevanten Einsatz braucht es eine deutliche Zusammenfassung in KI-Modellen, die umfassende Ansätze verfolgen. Es ist für die einzelne Praxis schwierig, unterschiedliche Systeme einzusetzen, für die das Personal weitergebildet werden muss und die Ergebnisse vielleicht sogar noch in unterschiedlichen Formaten ausgeben. An diesem Punkt braucht es eine klare Standardisierung.
Fazit: KI für die Radiologie steckt am Anfang ihrer Entwicklung
Künstliche Intelligenz und Digitalisierung nehmen in vielen Bereichen der Medizin heute bereits sehr konkrete Formen an. Die Datenspeicherung beim digitalen Röntgen und das Patientenmanagement sind zwei Bereiche des Alltags, in denen die Radiologie den wachsenden Einfluss der Informationstechnologie deutlich spürt. Im Hinblick auf die Auswertung bildgebender Verfahren steht die Entwicklung konsistenter und wirtschaftlicher KI-Modelle noch am Anfang. Es sind bis zu einer praxistauglichen Anwendung noch umfangreiche Probleme zu lösen, etwa in Bezug auf den Datenschutz und Leistungseinbußen durch die Qualität der Trainingsdaten.
[1] Baltruschat I, Steinmeister L, Nickisch H, Saalbach A, Grass M, Adam G, Knopp T, Ittrich H. Smart chest X-ray worklist prioritization using artificial intelligence: a clinical workflow simulation. Eur Radiol. 2021 Jun;31(6):3837-3845. doi: 10.1007/s00330-020-07480-7. Epub 2020 Nov 21. PMID: 33219850; PMCID: PMC8128725.
[2] Soares TR, Oliveira RD, Liu YE, Santos ADS, Santos PCPD, Monte LRS, Oliveira LM, Park CM, Hwang EJ, Andrews JR, Croda J. Evaluation of chest X-ray with automated interpretation algorithms for mass tuberculosis screening in prisons: a cross-sectional study. Lancet Reg Health Am. 2022 Nov 4;17:100388. doi: 10.1016/j.lana.2022.100388. PMID: 36776567; PMCID: PMC9904090.
[3] Lemaire R, Raboutet C, Leleu T, Jaudet C, Dessoude L, Missohou F, Poirier Y, Deslandes PY, Lechervy A, Lacroix J, Moummad I, Bardet S, Thariat J, Stefan D, Corroyer-Dulmont A. Artificial intelligence solution to accelerate the acquisition of MRI images: Impact on the therapeutic care in oncology in radiology and radiotherapy departments. Cancer Radiother. 2024 Jun;28(3):251-257. doi: 10.1016/j.canrad.2023.11.004. Epub 2024 Jun 11. PMID: 38866650.
[4] Bash S, Wang L, Airriess C, Zaharchuk G, Gong E, Shankaranarayanan A, Tanenbaum LN. Deep Learning Enables 60% Accelerated Volumetric Brain MRI While Preserving Quantitative Performance: A Prospective, Multicenter, Multireader Trial. AJNR Am J Neuroradiol. 2021 Dec;42(12):2130-2137. doi: 10.3174/ajnr.A7358. Epub 2021 Nov 25. PMID: 34824098; PMCID: PMC8805755.
