Foundation Models in der Radiologie: Flexibler als klassische KI, aber noch nicht präziser

Foundation Models verändern die KI-Entwicklung in der Radiologie grundlegend. Anders als klassische KI-Modelle, die auf eine einzige Aufgabe und ein bestimmtes Bildgebungsverfahren beschränkt sind, können sie nach einer Einarbeitungsphase neue Aufgaben erlernen und dabei verschiedene Datentypen wie Bilder, Texte und Audiodaten gleichzeitig verarbeiten.

Dr. Lisa C. Adams, Leitende Oberärztin am Institut für Diagnostische und Interventionelle Radiologie der TU München, hob in einem Vortrag der Veranstaltungsreihe Zukunft Teleradiologie die Robustheit dieser Modelle als zentralen Vorteil für Kliniken hervor. Prof. Felix Nensa, KI-Radiologe an der Uniklinik Essen, ergänzte, dass Foundation Models Phänomene wie Data Drift und Domain Shift besser bewältigen als klassische Systeme und die Entwicklungszeit neuer KI-Anwendungen erheblich verkürzen.

Bei der Bildanalyse liefern Foundation Models derzeit noch keine so präzisen Ergebnisse wie spezialisierte KI-Modelle. Adams stellte sechs radiologische Foundation Models vor, darunter RAD-DINO, MAIRA-2 und Med-Gemma 1.5, die bisher keine Medizinprodukte-Zulassung besitzen. Dr. Jonathan Kottlors, Leiter der Arbeitsgruppe „AI Foundation Models in der Radiologie“ an der Uniklinik Köln, bestätigte diesen Befund, verwies aber auf die Fähigkeit dieser Modelle, klinische Textinformationen und Bilddaten erstmals gemeinsam zu verarbeiten.

Regulatorisch bleibt die MDR-konforme Zweckbindung ein Hindernis. Im Krankenhausbetrieb werden Foundation Models bislang vor allem für administrative Aufgaben genutzt. Das israelische Unternehmen Aidoc bietet mit seiner Clinical AI Reasoning Engine bereits eine CE-zertifizierte Plattformlösung an. Nensa fordert, dass die EU die Entwicklung eines europäischen Open-Weight-Foundation-Models finanziert, um Abhängigkeiten von Hyperscalern wie OpenAI, Google, Microsoft, Anthropic und Meta zu reduzieren.