Dr. Theresa Ahrens, Abteilungsleiterin Digital Health Engineering, Fraunhofer Institut für Experimentelles Software Engineering IESE (Foto: Fraunhofer IESE)

Diagnostik ist vielleicht der wichtigste Schritt im Behandlungspfad, doch gerade bei chronischen Erkrankungen verzögert sich die richtige Diagnose oft, wie bei Endometriose, von der viele Frauen betroffen sind. KI kann hier helfen, indem sie komplexe Krankheitsgeschichten und Befunde schneller verarbeitet und so frühere Diagnosen und mehr Prävention ermöglicht. Besonders effektiv ist KI bei Bildanalysen wie CTs oder Röntgenbildern, auch Chatbots können die Anamnese verbessern. Wichtig aber ist, dass KI niemanden benachteiligt, etwa durch den Gender Data Gap, der falsche Behandlungen bei Frauen begünstigen kann. Um das KI-Potenzial voll auszuschöpfen, müssen mehr medizinische Daten maschinenlesbar vorliegen. Unser Forschungsprojekt FHIR-Starter entwickelt dazu eine KI-basierte Software, die beispielsweise PDF-Arztbriefe in standardisierte Formate überführt, um diese Daten für Forschung und spezialisierte Anwendungen zugänglich zu machen.

Wenn wir KI im Gesundheitswesen verantwortungsvoll einsetzen wollen, ist es essenziell, dass Ärztinnen und Ärzte den KI-Ergebnissen vertrauen können, aber auch wissen, wann manuell eingegriffen werden muss. Es braucht mehr Forschung zu verlässlichen, erklärbaren KI-Systemen und ebenso zur Mensch-Maschinen-Interaktion, da Ärzteschaft plus KI nicht automatisch zu besseren Ergebnissen führt. Auch Patientinnen und Patienten vertrauen KI oft zu sehr, selbst bei fehlerhaften Antworten. Das große Potenzial von KI erfordert einen sorgfältigen und kritischen Umgang.

Prof. Dr. Antonio Krüger, CEO Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) (Foto: DFKI)

Alle bildgebenden Verfahren wie Ultraschall, MRT oder CT profitieren von künstlichen, neuronalen Netzen und KI-Anwendungen, die sich in den letzten 15 Jahren entwickelt haben. Viele dieser Anwendungen sind bereits im Praxisalltag etabliert und unterstützen bei Momentaufnahmen. Beispiele dafür sind KI-gestützte Systeme in der Hautkrebsvorsorge, etwa bei der Videodermatoskopie, ein Ganzkörperscan, der verdächtige Hautveränderungen automatisiert und mit sehr guter Qualität klassifiziert; sowie in der Radiologie, wo KI einzelne Organe oder Regionen optisch hervorhebt und so die Befundung erleichtert und die Belastung der Radiologen reduziert. Die Diagnose bleibt dabei stets in ärztlicher Verantwortung.

Ihr volles Potenzial entfaltet KI jedoch erst mit einer umfassenden Digitalisierung des Gesundheitswesens. Die elektronische Patientenakte wird zwar kontrovers diskutiert und Sicherheitslücken müssen geschlossen werden. Aber erst der vollständige digitale Zugriff auf eine Medikationshistorie, alle Befundungsergebnisse und Laborwerte, ermöglicht eine Qualitätssteigerung der KI-Auswertung. Auch die Mensch-Maschine-Interaktion stellt besondere Anforderungen. Sie muss neben faktisch korrekten Informationen eine alltagstaugliche Sprache in außeralltäglichen Situationen verwenden – auch bei hohem Erklärungsbedarf, in Ausnahmesituationen oder bei Stress. Die Patientinnen und Patienten wollen Informationen, aber sie brauchen Verständnis und Zuwendung, die Maschinen nur oberflächlich simulieren können.

Prof. Dr. med. Dipl.-Inform. Julian Caspers, ltd. Arzt Künstliche Intelligenz und Radiologische Informatik am Universitätsklinikum Düsseldorf (Foto: Universitätsklinikum Düsseldorf)

Künstliche Intelligenz bietet in nahezu allen Bereichen der Radiologie großes Potenzial, von der schnelleren Bilderstellung und zuverlässigen Interpretation von Auffälligkeiten bis zur Optimierung administrativer Abläufe. KI kann Prozesse beschleunigen, die Diagnostik verbessern und Ressourcen effizienter nutzen. Besonders wertvoll wird sie durch die Integration multimodaler Informationen für eine zielgerichtete und personalisierte Versorgung.

Die Radiologie ist seit Jahren Vorreiter bei der Adaptation von KI in der Medizin. Es gibt zahlreiche zugelassene KI-Assistenzsysteme, etwa für die Röntgen-Thorax-Diagnostik oder Frakturerkennung. Dennoch ist ihre Verbreitung bislang begrenzt. Gründe sind viele eng fokussierte Insellösungen, die den flächendeckenden Einsatz erschweren, fehlende multimodale Systeme oder Integrationen in bestehende radiologische Arbeitsabläufe und IT-Infrastrukturen, finanzielle Hürden sowie mangelnde Evidenz zum Nutzen. Auf absehbare Zeit wird die Radiologie weiterhin vornehmlich durch unterstützende KI-Systeme geprägt sein, nicht durch vollständig autonome Lösungen. Ihre Bewertung konzentrierte sich in der Vergangenheit stark auf technische Leistungskennzahlen. Künftig sollte das Zusammenspiel zwischen Radiologinnen bzw. Radiologen und KI stärker in den Fokus rücken, insbesondere das Vertrauen in, und der kritische Umgang mit KI-Ergebnissen. Um den Mehrwert dieser Zusammenarbeit für die Gesundheitsversorgung zu belegen, sind mehr prospektive, randomisierte Studien nötig.