Abbildung: reif & möller diagnostic-network ag
KI-generiertes Bild
Artikel • Mensch und KI in der radiologischen Diagnostik
KI-gestützte Befundung: Teleradiologie als Reallabor für Foundation Models
Foundation Models gelten als nächste Evolutionsstufe der Künstlichen Intelligenz (KI) in der Radiologie: Modelle, die auf sehr großen Datenmengen vortrainiert werden und Bilddaten, Befunde und weitere klinische Informationen gemeinsam verarbeiten. Ob daraus echter Mehrwert für Qualität, Effizienz und Patientensicherheit entsteht, entscheidet sich jedoch nicht im Forschungslabor, sondern anhand von Real-World-Daten aus dem klinischen Alltag. Genau hier kommt der Teleradiologie eine Schlüsselrolle zu.
Gastbeitrag von Dr. med. Torsten Möller, Vorstand der reif & möller diagnostic-network ag und Vorsitzender der Deutschen Gesellschaft für Teleradiologie
Die Radiologie zählt seit Jahren zu den Vorreitern beim Einsatz von KI. Bereits heute unterstützen spezialisierte Algorithmen die Erkennung akuter Befunde, priorisieren Worklists und verbessern die Qualitätssicherung. Diese sogenannten Point Solutions sind KI-Anwendungen für genau eine klar definierte Fragestellung, etwa die Erkennung einer Hirnblutung im CT. Für solche Aufgaben liefern sie zuverlässige Ergebnisse, stoßen jedoch an Grenzen, sobald komplexe klinische Zusammenhänge berücksichtigt werden müssen.
Was Foundation Models von bisherigen KI-Lösungen unterscheidet
Foundation Models gehen einen Schritt weiter. Sie werden auf großen, heterogenen Datenmengen vortrainiert und lassen sich anschließend an unterschiedliche diagnostische Aufgaben anpassen. Anders als Point Solutions können sie Bilddaten mit radiologischen Befunden sowie weiteren klinischen Informationen wie Laborwerten oder Voruntersuchungen verknüpfen. Fachlich werden sie über vier Merkmale beschrieben: große Modell- und Datenmengen, die Verarbeitung mehrerer Datenmodalitäten, selbstüberwachtes Training und emergente Fähigkeiten, die erst mit zunehmender Modellgröße auftreten.
Real-World-Daten sind der Schlüssel für belastbare KI
Mit den Möglichkeiten von Foundation Models steigen auch die Anforderungen an die Datengrundlage. Entscheidend sind nicht allein große Datenmengen, sondern deren Qualität, Vielfalt und Nähe zur realen Versorgung. Nur unter klinischen Routinebedingungen trainierte und validierte KI-Systeme können ihren Nutzen langfristig belegen.
Die Teleradiologie bietet dafür besonders gute Voraussetzungen: Teleradiologische Netzwerke erzeugen im 24/7-Betrieb kontinuierlich standardisierte Bild- und Befunddaten aus unterschiedlichen Krankenhäusern, Scannergenerationen und Fragestellungen. Diese Real-World-Daten bilden die Versorgungsrealität umfassender ab als hochselektierte Studiendatensätze und erlauben es, Foundation Models unter Routinebedingungen zu evaluieren, zu überwachen und gezielt weiterzuentwickeln.
Hinzu kommt ein methodischer Aspekt: Moderne Foundation Models lernen zu großen Teilen selbstüberwacht, indem sie Bilddaten mit den zugehörigen Befunden abgleichen (Übersichtsarbeit von Paschali et al., Radiology 2025)1. Genau solche Bild-Befund-Paare entstehen in der Teleradiologie fortlaufend im Routinebetrieb, ohne zusätzlichen Annotationsaufwand. So liefert die Routineversorgung genau den Datentyp, auf dem sich solche Modelle trainieren lassen.
Eigene Darstellung: reif & möller diagnostic-network ag
Bild erstellt mit KI-Unterstützung
Evidenz entsteht im klinischen Alltag
Wie wichtig solche Real-World-Daten für die Bewertung von KI sind, zeigt eine großangelegte Untersuchung zur teleradiologischen Routineversorgung in Deutschland und Österreich, die auf mehreren Fachkongressen vorgestellt wurde (RSNA 2024, ECR 2024 und Deutscher Röntgenkongress 2023)2. Analysiert wurden über 3.000 native kraniale CT-Untersuchungen aus rund 140 Kliniken; in etwa sieben Prozent der Fälle lag eine intrakranielle Blutung vor. Weder die mehr als 70 beteiligten Teleradiologinnen und Teleradiologen noch die KI arbeiteten fehlerfrei: Die KI wies auf Blutungen hin, die zunächst übersehen worden waren, erzeugte aber auch falsch-positive Hinweise, die ärztlich ausgeräumt wurden. Ohne KI-Unterstützung waren mehr als fünf Prozent der Blutungen primär übersehen worden. Im Zusammenspiel aus ärztlicher Befundung und KI wurden somit mehr klinisch relevante Blutungen sicher erkannt als durch den Menschen allein.
KI entfaltet ihren größten Nutzen deshalb als Assistenzsystem, nicht als Ersatz für die ärztliche Befundung. Dieses Prinzip wird für Foundation Models noch wichtiger, da sie künftig deutlich mehr Informationen in den diagnostischen Prozess einbeziehen.
Für diesen Nutzen spricht auch eine begleitende Befragung von 65 Fachradiologinnen und Fachradiologen, die den flächendeckenden KI-Einsatz bei mehr als 80.000 Patientinnen und Patienten begleitet haben: Besonders geschätzt wurden die Priorisierung dringlicher Befunde und eine zusätzliche fachliche Absicherung; eine Verlangsamung der Arbeitsabläufe berichtete niemand. In der teleradiologischen Routineversorgung, aus der diese Daten stammen, wird KI bereits seit 2022 routinemäßig parallel zur ärztlichen Befundung eingesetzt, heute bei rund 95 Prozent aller Untersuchungen.
Integration und Governance entscheiden über den Nutzen
Damit ihr Potenzial im klinischen Alltag wirksam wird, müssen Foundation Models nahtlos in bestehende PACS-, RIS- und KIS-Landschaften integriert werden. Nur dann verbessern sie Diagnostik, Befundqualität und Effizienz, ohne zusätzliche Komplexität zu schaffen.
Je stärker die Modelle in klinische Prozesse eingebunden werden, desto wichtiger werden Evidenz, Transparenz und Governance. Sie müssen kontinuierlich validiert und überwacht werden; die medizinische Verantwortung bleibt beim Menschen. Ebenso entscheidend ist die fachliche Einordnung: In einem großen Netzwerk lassen sich komplexe Untersuchungen jederzeit an Kolleginnen und Kollegen mit der passenden dokumentierten Spezialisierung übergeben, von der Neuroradiologie über die kardiale Bildgebung bis zur muskuloskelettalen Diagnostik.
Als nächsten Schritt werden wir die KI-Parallelbefundung auf die Abdomen-Diagnostik ausweiten, eine der fehleranfälligsten Körperregionen der Notfalldiagnostik; entsprechende Foundation-Model-basierte Module stehen kurz vor dem Routineeinsatz.
Zu dieser Sorgfalt gehört auch der Umgang mit modelltypischen Risiken: Foundation Models können fehlerhafte Inhalte erzeugen (Halluzinationen) oder dazu verleiten, Vorschläge unkritisch zu übernehmen (Automation Bias). Beides unterstreicht, warum kontinuierliche Validierung und die ärztliche Letztverantwortung unverzichtbar bleiben.
Europas Chance: Teleradiologie als Reallabor für KI
Mit seinen hohen Standards bei Datenschutz, Medizinprodukterecht und Qualitätssicherung bringt Europa gute Voraussetzungen für einen verantwortungsvollen KI-Einsatz in der Radiologie mit. Entscheidend ist am Ende jedoch nicht der regulatorische Rahmen, sondern die Verfügbarkeit hochwertiger Real-World-Daten aus der Routineversorgung. Teleradiologische Netzwerke liefern diese kontinuierlich, standortübergreifend und unter realen Bedingungen.
Ob Foundation Models die Radiologie nachhaltig verändern, entscheidet sich deshalb nicht allein an ihrer Leistungsfähigkeit, sondern an ihrer Bewährung im klinischen Alltag. Teleradiologische Netzwerke vereinen die dafür notwendigen Voraussetzungen: große, heterogene Datenmengen, etablierte Qualitätssicherung und gelebte 24/7-Routine. Sie könnten damit zum zentralen Reallabor für KI-gestützte Diagnostik in Europa werden.
Foto: Haus & Gross
Über den Autor
Dr. med. Torsten Möller ist Mitgründer und Vorstand der reif & möller diagnostic-network ag. Als Vorsitzender der Deutschen Gesellschaft für Teleradiologie und Autor von 21 radiologischen Fachbuch-Hauptwerken, die in 117 internationalen Ausgaben und Übersetzungen in 15 Sprachen erschienen sind, gehört er zu den führenden Experten für Teleradiologie in Europa.
Quellen
- Paschali M, Chen Z, Blankemeier L, et al. Foundation Models in Radiology: What, How, Why, and Why Not. Radiology 2025;314(2):e240597. doi.org/10.1148/radiol.240597
- Möller T. AI in Routine Use – Results of a Large-scale Test across Germany and Austria. Vorgestellt bei RSNA 2024 (Chicago, Session R6-SSNR16), ECR 2024 (Wien) und Deutscher Röntgenkongress 2023.
24.08.2026
