KI-Modell analysiert MRT-Aufnahmen in Sekunden und unterstützt die Diagnose

Ein Forschungsteam der University of Michigan hat ein KI-System vorgestellt, das anhand von MRT-Aufnahmen automatisch Diagnosen stellen kann. Die Entwicklung könnte die Branche grundlegend verändern und Patienten weltweit einen schnelleren und besseren Zugang zur Versorgung ermöglichen. Hier erfahren Sie die wichtigsten Hintergründe.

Wie die MRT-Technologie bei der Bildgebung des Gehirns funktioniert

Die Magnetresonanztomografie nutzt Magnetfelder und Radiowellen, um detaillierte zwei- und dreidimensionale Bilder von Organen und anderen wichtigen Körperstrukturen zu erzeugen. Die MRT-Technologie ging aus früheren Arbeiten zur Kernspinresonanz (NMR) während des Zweiten Weltkriegs hervor.

Felix Bloch und Edward Purcell entwickelten das Konzept weiter und erhielten dafür 1952 den Nobelpreis. Erst als Paul Lauterbur räumliche Gradienten einführte, konnten zweidimensionale Bilder von Organen und Gewebe erzeugt werden. Anders als bei CT-Untersuchungen entsteht durch die bei der MRT eingesetzten Hochfrequenzimpulse keine ionisierende Strahlung, was einen wichtigen Vorteil darstellt.

Heute sind MRT-Untersuchungen weit verbreitet. Berichten zufolge werden jährlich 150 bis 200 Millionen Untersuchungen durchgeführt. Weitere Studien zeigen eine zunehmende Nutzung, wobei die Untersuchungszahlen in den meisten Regionen um 3 bis 6 Prozent steigen. Es überrascht daher nicht, dass die MRT inzwischen ein wesentlicher Bestandteil der medizinischen Versorgung ist.

Warum die Befundung von Gehirn-MRT-Aufnahmen anspruchsvoll ist

Mit der wachsenden Bedeutung der MRT werden auch ihre Grenzen deutlicher. Die Auswertung der Bilder erfordert Zeit und Präzision. Gleichzeitig steigt dieser Bedarf vor dem Hintergrund zunehmender Personalengpässe im Gesundheitswesen.

Die steigende Zahl der MRT-Untersuchungen belastet ein ohnehin stark beanspruchtes Gesundheitssystem. Studien zeigen unterschiedliche Ursachen: Große Kliniken müssen eine hohe Patientenzahl bewältigen, während kleineren Einrichtungen mitunter Fachkräfte für die MRT-Befundung fehlen. Die Folge ist jedoch dieselbe: höhere Risiken für Patienten.

Klinische Risiken einer verzögerten MRT-Befundung

Viele neurologische Erkrankungen, die sich mithilfe einer MRT erkennen lassen, müssen umgehend behandelt werden. Eine rechtzeitige Diagnose ist daher entscheidend für bessere Behandlungsergebnisse. Verzögerungen können dazu führen, dass wichtige Zeitfenster verpasst werden.

Hirnblutungen und Schlaganfälle sind Beispiele für Erkrankungen, die in MRT-Aufnahmen erkannt werden können und sofortige medizinische Aufmerksamkeit erfordern. Ihre Erkennung kann jedoch schwierig sein und setzt eine fachkundige Beurteilung voraus.

Regionen des Gehirns

Die Bildgebung des Nervensystems ist ein wertvolles Instrument zur Untersuchung von Patienten mit neurologischen Erkrankungen. Die weltweit stetig steigende Nachfrage nach MRT-Untersuchungen belastet die Gesundheitssysteme erheblich, verlängert die Zeit bis zum Befund und verstärkt die Erschöpfung des ärztlichen Personals.

University of Michigan entwickelt KI-Modell für MRT-Aufnahmen

Die in Nature Biomedical Engineering veröffentlichte Studie „Learning neuroimaging models from health system-scale data¹“ stellt einen speziell entwickelten KI-Algorithmus vor, der MRT-Bilder innerhalb von Sekunden auswerten kann. Damit könnte er die künftige Gesundheitsversorgung grundlegend verändern.

Prima: ein Bild-Sprach-Modell für die MRT-Diagnostik

Die Entwickler beschreiben den KI-Algorithmus Prima als „ChatGPT für die medizinische Bildgebung“. Das System vereinfacht und automatisiert viele besonders komplexe Aspekte der medizinischen Bildauswertung.

Prima unterscheidet sich von anderen KI-Systemen zur MRT-Auswertung durch seinen Ansatz als Bild-Sprach-Modell, auch Vision-Language Model (VLM) genannt. Es verarbeitet Text, Bilder und Videos gemeinsam. Die hierarchische Bildverarbeitungsarchitektur soll eine besonders hohe Präzision und Leistungsfähigkeit ermöglichen.

Wie Prima als diagnostischer Assistent arbeitet

Die Entwickler wollten nach eigenen Angaben einen zuverlässigen Assistenten für die Auswertung medizinischer Bildgebungsuntersuchungen schaffen. Primas besonderer Ansatz ermöglicht den Einsatz bei einem breiten Spektrum von Diagnosen und kommt diesem Ziel damit näher.

Das unterscheidet Prima deutlich von Vorgängersystemen, die meist auf einen bestimmten Teilbereich der MRT-Bildgebung beschränkt waren. Dank des wesentlich breiteren Trainingsdatensatzes kann das Modell MRT-Daten umfassender beurteilen, ähnlich dem Vorgehen eines Arztes. Es verspricht damit Verbesserungen von der Diagnostik bis zu den Arbeitsabläufen.

Training mit mehr als 200.000 MRT-Untersuchungen

Für das Training von Prima benötigte das Forschungsteam eine große Datenbasis. University of Michigan Health stellte dafür mehr als 200.000 MRT-Untersuchungen mit über 5,6 Millionen Bildsequenzen zur Verfügung.

Anschließend wurden die Ergebnisse der einzelnen Untersuchungen sowie die Krankengeschichten und Untersuchungsanlässe einbezogen. Die Daten wurden miteinander verknüpft. Die in der Fachpublikation berichtete diagnostische Bewertung umfasst 52 verschiedene Diagnosen.

Wie die KI Differenzialdiagnosen erstellt

Prima wurde entwickelt, um zeitnahe Diagnosen zu unterstützen. Das System gleicht seine umfangreiche Datenbasis aus MRT-Aufnahmen und zugehörigen Informationen ab, um ein breites Spektrum neurologischer Erkrankungen zu erkennen. Es berücksichtigt zudem die individuelle Krankengeschichte und kann so neben einer Diagnose ein umfassendes Patientenprofil erstellen.

KI-gestützte Ersteinschätzung von Notfällen

Prima kann einschätzen, ob ein Befund sofortige medizinische Versorgung erfordert. Erkennt das System einen dringenden Behandlungsbedarf, benachrichtigt es automatisch medizinische Fachkräfte. Dadurch sollen Verzögerungen zwischen Diagnose und Versorgung vermieden werden. Bei zeitkritischen Erkrankungen könnte diese Funktion Leben retten.

Automatische Benachrichtigung der zuständigen Spezialisten

Eine besondere Funktion ist die automatische Benachrichtigung der passenden fachärztlichen Spezialisten nach der Diagnose. Zeigt eine Aufnahme beispielsweise ein Schlaganfallrisiko, kann das System nach der Beschreibung im Artikel die Neurochirurgie kontaktieren und eine Notfallversorgung anfordern.

Klinische Tests und Validierung des KI-Modells

Die Tests des Prima-Systems begannen ein Jahr vor Veröffentlichung des Artikels. In dieser Zeit ließ das Forschungsteam das Modell Tausende Diagnosen erstellen und verglich sie mit ärztlichen Diagnosen. Insgesamt wurden 29.431 MRT-Untersuchungen ausgewertet.

KI-MRT-Modell erreicht eine mittlere diagnostische AUC von 0,920

Zum horizontalen Scrollen wischen →

Die Fachpublikation berichtet für Prima eine mittlere diagnostische AUC von 0,920 über 52 Diagnosen. Die AUC beschreibt die Trennleistung eines Modells über verschiedene Entscheidungsschwellen hinweg; sie ist nicht mit dem Anteil korrekt diagnostizierter Fälle gleichzusetzen. Die Universitätsmitteilung nennt separat eine Leistung von „bis zu 97,5 Prozent“. Diese Höchstangabe darf weder als allgemeine diagnostische Trefferquote noch als mittlere AUROC des gesamten Modells dargestellt werden. Das Team betonte außerdem, dass die Auswertung innerhalb von Sekunden erfolgte, während im ärztlichen Arbeitsablauf bis zu einem Befund Tage vergehen konnten.

Die Tests zeigten zudem eine deutlich schnellere Reaktion auf Behandlungsbedarf. Bild- und Diagnosedaten standen den zuständigen Fachkräften unmittelbar zur Verfügung. Informationen zu besonders dringlichen Fällen wurden automatisch an diejenigen übermittelt, die sie benötigten. Dadurch ließ sich wertvolle Zeit gewinnen.

Wichtige Vorteile der KI-gestützten MRT-Befundung

Die Technologie bietet zahlreiche mögliche Vorteile. Sie kann insbesondere die Zeit im Ablauf von MRT-Untersuchung und Befundung verkürzen. Dadurch könnten Patienten trotz erheblicher Personalengpässe im Gesundheitswesen schneller versorgt werden.

Ein Beispiel für den Nutzen von KI-Unterstützung

Die Technologie zeigt auch, wie KI bestehende medizinische Verfahren verbessern kann. Das System entlastet Fachkräfte und verbessert zugleich die Ergebnisse. Damit veranschaulicht es das Potenzial von KI im Gesundheitswesen.

Diagnostik

Anders als manche KI-Systeme, die ihre Schlussfolgerungen nicht begründen, liefert Prima nachvollziehbare Differenzialdiagnosen. Ärzte können die Ergebnisse dadurch überprüfen, ihre Richtigkeit beurteilen und Zweitmeinungen einholen.

Praktische Anwendungen und Ausblick auf den Einsatz

Die naheliegendste Anwendung ist die Verbesserung bestehender medizinischer Abläufe. Der Ansatz könnte auch auf andere Bereiche der Bildgebung übertragen werden. Viele Analysten erwarten deshalb in den kommenden Jahren Anwendungen bei Mammografien, Röntgenaufnahmen des Brustkorbs und Ultraschalluntersuchungen.

Regulatorischer Weg und Zeitplan für die Markteinführung

Die Technologie könnte innerhalb der nächsten fünf Jahre auf den Markt kommen. Die Nachfrage nach Lösungen, die Behandlungsergebnisse verbessern und zugleich Arbeitsbelastung und Stress medizinischer Fachkräfte verringern, ist groß.

Forschungsteam und institutionelle Unterstützung

Die Studie zur KI-gestützten MRT-Auswertung stammt von Forschenden der University of Michigan. Geleitet wurde die Arbeit von Todd Hollon, Neurochirurg und Assistant Professor für Neurochirurgie an der U-M Medical School, sowie Samir Harake, Datenwissenschaftler im Machine Learning in Neurosurgery Lab.

Als weitere Mitwirkende nennt die Studie Vikas Gulani, M.D., Ph.D., Asadur Chowdury, M.S., Soumyanil Banerjee, M.S., Rachel Gologorsky, Shixuan Liu, Anna-Katharina Meissner, M.D., Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Jiang, Xinhai Hou, Rushikesh S. Joshi, M.D., Volker Neuschmelting, M.D., Ashok Srinivasan, M.D., Dawn Kleindorfer, M.D., Brian Athey, Ph.D., Aditya Pandey, M.D., und Honglak Lee, Ph.D. Finanzielle Unterstützung kam vom National Institute of Neurological Disorders and Stroke der US-amerikanischen National Institutes of Health.

Die weitere Entwicklung von KI in der Neurobildgebung

Das Entwicklungsteam betont, dass sich die Arbeit noch in einem frühen Stadium befindet, die Ergebnisse jedoch vielversprechend sind. Als Nächstes soll das System stärker personalisiert werden. Die KI soll auf Krankenakten zugreifen und Diagnosen in Echtzeit auf Grundlage aller verfügbaren Daten erstellen können.

Investitionen in die Verbindung von KI und Gesundheitsversorgung

Der Einfluss von KI auf die medizinische Bildgebung nimmt zu. Anders als breit aufgestellte Gerätehersteller entwickelt eine neue Unternehmensgeneration Radiologieplattformen, bei denen KI von Anfang an im Mittelpunkt steht. Sie sollen Diagnosen beschleunigen, Arbeitsabläufe effizienter machen und klinische Entscheidungen unterstützen. Ein börsennotiertes Unternehmen ist direkt in diesem Bereich positioniert.

RadNet (RDNT)

RadNet (RDNT ) gehört zu den größten Anbietern ambulanter diagnostischer Bildgebung in den USA und betreibt landesweit Hunderte Untersuchungszentren. Das 1981 gegründete Unternehmen hat sich zu einer vertikal integrierten Plattform entwickelt, die radiologische Dienstleistungen über ihre Tochtergesellschaft DeepHealth mit künstlicher Intelligenz verbindet.

RadNet behandelt KI nicht als bloße Zusatzfunktion, sondern integriert maschinelles Lernen unmittelbar in die Bildgebungsabläufe. Durch Übernahmen und eigene Entwicklung entstanden KI-Werkzeuge, die Radiologen helfen sollen, Brustkrebs, Lungenrundherde, neurologische Auffälligkeiten und andere Erkrankungen früher und konsistenter zu erkennen.

Ein wichtiger Entwicklungsschritt war der Ausbau von DeepHealth, der KI-Sparte von RadNet. Sie konzentriert sich auf den Einsatz von durch die FDA freigegebenen Algorithmen im eigenen Bildgebungsnetzwerk. Durch die Verbindung eigener Bilddaten mit KI-Entwicklung profitiert RadNet sowohl von Dienstleistungsumsätzen als auch von softwaregestützten diagnostischen Fähigkeiten.

Dieser vertikal integrierte Ansatz bietet einen Wettbewerbsvorteil: Klinische Daten aus der Praxis helfen, Algorithmen zu verbessern. Gleichzeitig steigern die KI-Werkzeuge den Durchsatz und die diagnostische Präzision in den unternehmenseigenen Zentren.

Ausbau der KI-gestützten Bildgebungsplattform

RadNet erweitert sein KI-Portfolio durch Partnerschaften und Übernahmen. Ziel ist der skalierbare Einsatz diagnostischer Unterstützungssysteme in verschiedenen radiologischen Fachgebieten. Mit veränderten Vergütungsmodellen und steigenden Untersuchungszahlen könnten KI-gestützte Systeme zur Ersteinschätzung und Erkennung von Befunden die Margen deutlich verbessern und zugleich Radiologen entlasten.

Für Anleger, die von KI-gestützter medizinischer Bildgebung und deren direkten betrieblichen Effekten profitieren möchten, bietet RadNet ein stärker auf Radiologieautomatisierung ausgerichtetes Engagement als breit diversifizierte Medizintechnikkonzerne.

Aktuelle Nachrichten und Geschäftsentwicklung von RadNet (RDNT)

Fazit: KI-gestützte Auswertung der Gehirnbildgebung

Die Studie zur KI-gestützten Auswertung von Gehirnaufnahmen eröffnet neue Perspektiven für Patienten und medizinische Fachkräfte. Solche Systeme könnten dazu beitragen, eine gleichbleibend hochwertige Versorgung rund um die Uhr sicherzustellen.

Zugleich könnten sie bereits stark beanspruchte medizinische Fachkräfte entlasten. Die Entwicklung hat damit das Potenzial, die Gesundheitsversorgung künftig wirksamer zu gestalten.

Weitere spannende KI-Entwicklungen finden Sie hier.

Quellen

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Learning neuroimaging models from health system-scale data. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}