01634 Anwendung von künstlicher Intelligenz bei der Bildrekonstruktion und -verarbeitung in Radiologie und Nuklearmedizin
|
Künstliche Intelligenz sollte in der Radiologie und Nuklearmedizin gezielt zur Verbesserung der Bildqualität und zur Reduktion der Strahlenexposition eingesetzt werden. Voraussetzungen sind eine umfassende Validierung der Verfahren, kontinuierliche Qualitätskontrollen sowie die Sicherstellung, dass diagnostisch relevante Informationen weder verloren gehen noch verfälscht werden. KI dient dabei als unterstützendes Werkzeug, während die medizinische Verantwortung weiterhin bei den behandelnden Fachkräften verbleibt. Der Einsatz muss stets den Anforderungen des Strahlenschutzes und der Patientensicherheit entsprechen. von: |
1 Einleitung
Die Empfehlung der deutschen Strahlenschutzkommission (SSK) aus dem Jahr 2025/2026 befasst sich erstmals umfassend mit dem Einsatz von künstlicher Intelligenz (KI) in der medizinischen Bildgebung unter dem besonderen Blickwinkel des Strahlenschutzes. Sie beschreibt Chancen, Risiken, Qualitätsanforderungen und regulatorische Aspekte für KI-basierte Verfahren in der Radiologie und Nuklearmedizin. Das Ziel ist, die diagnostische Qualität zu verbessern und gleichzeitig die Strahlenexposition für Patienten möglichst gering zu halten.
Grundlagen von KI-Modellen und Datensätzen in der medizinischen Bildgebung
Im Bereich der KI-gestützten Bildrekonstruktion werden drei Modelltypen unterschieden: White-Box-, Gray-Box- und Black-Box-Modelle. White-Box-Modelle basieren auf bekannten physikalischen Zusammenhängen und sind transparent sowie nachvollziehbar. Black-Box-Modelle, wie viele neuronale Netze, lernen ihre Funktionsweise aus großen Trainingsdatensätzen, weshalb ihre Entscheidungen oft schwer nachvollziehbar sind. Gray-Box-Modelle kombinieren bekannte physikalische Modelle mit lernbasierten Ansätzen und verbinden damit Transparenz und Leistungsfähigkeit.
Black-Box-Modell im Fokus
Besonders Black-Box-Modelle stehen im Fokus der SSK, da sie zwar große Leistungsfähigkeit zeigen, gleichzeitig aber Herausforderungen hinsichtlich Nachvollziehbarkeit und Qualitätssicherung mit sich bringen. Häufig kommen dabei sogenannte Convolutional Neural Networks (CNNs) zum Einsatz, die Bildinformationen mithilfe vieler Verarbeitungsschichten und großer Mengen an Trainingsdaten analysieren und optimieren.
Besonders Black-Box-Modelle stehen im Fokus der SSK, da sie zwar große Leistungsfähigkeit zeigen, gleichzeitig aber Herausforderungen hinsichtlich Nachvollziehbarkeit und Qualitätssicherung mit sich bringen. Häufig kommen dabei sogenannte Convolutional Neural Networks (CNNs) zum Einsatz, die Bildinformationen mithilfe vieler Verarbeitungsschichten und großer Mengen an Trainingsdaten analysieren und optimieren.
Für die Entwicklung und Bewertung solcher KI-Verfahren sind verschiedene Datensätze erforderlich: Trainingsdaten zum Lernen der Modelle, Validierungsdaten zur Optimierung während der Entwicklung, Testdaten zur Leistungsbewertung sowie unabhängige Verifikationsdatensätze, die eine abschließende Überprüfung unter realitätsnahen Bedingungen ermöglichen. Diese Datensätze sollten möglichst repräsentativ und multizentrisch sein, um eine zuverlässige Anwendung in der klinischen Praxis sicherzustellen.
Radiologische und nuklearmedizinische Verfahren wie
| • | Computertomografie (CT), |
| • | Positronen-Emissions-Tomografie (PET), |
| • | Single-Photon-Emissions-Computertomografie (SPECT), |
| • | Angiografie, |
| • | Durchleuchtung |
verwenden ionisierende Strahlung zur Bildgewinnung. Eine Verringerung der Strahlendosis führt häufig zu stärkerem Bildrauschen und damit zu einem Verlust diagnostischer Informationen. KI-Verfahren versprechen, diesen Zielkonflikt zu entschärfen, indem sie auch aus verrauschten oder unvollständigen Rohdaten qualitativ hochwertige Bilder erzeugen können.
Die SSK sieht deshalb in der KI eine wichtige Zukunftstechnologie für die medizinische Bildgebung. Gleichzeitig betont sie, dass der Einsatz dieser Verfahren mit erheblichen Risiken verbunden sein kann, wenn Bildinformationen verfälscht, unterdrückt oder künstlich erzeugt werden. Die SSK verfolgt einen vorsichtigen, sicherheitsorientierten Ansatz. KI in der medizinischen Bildgebung wird grundsätzlich begrüßt, darf aber nur eingesetzt werden, wenn nachgewiesen ist, dass:
| • | keine diagnostisch relevanten Informationen verloren gehen, |
| • | keine künstlichen Befunde erzeugt werden, |
| • | die Strahlenreduktion nicht zulasten der Diagnostik erfolgt, |
| • | unabhängige Prüfungen stattfinden, |
| • | Transparenz über Daten, Modelle und Risiken besteht, |
| • | Hersteller umfangreiche Dokumentationspflichten erfüllen, |
| • | klinische Experten in die Bewertung eingebunden werden, |
| • | langfristige Qualitäts- und Sicherheitsstandards etabliert werden. |
Der Schwerpunkt liegt damit klar auf Patientensicherheit, Transparenz, unabhängiger Validierung und klinischer Nachweisbarkeit des Nutzens von KI-Systemen.
2 Empfehlungen
KI-Einsatz nur unter bestimmten Bedingungen
Die SSK erkennt das große Potenzial von KI-Verfahren für die medizinische Bildgebung an. Gleichzeitig weist sie darauf hin, dass KI-basierte Rekonstruktions- und Bildverarbeitungsverfahren erhebliche Risiken mit sich bringen können, insbesondere wenn diagnostisch relevante Informationen verändert, unterdrückt oder künstlich erzeugt werden. Deshalb stellt die SSK umfangreiche Qualitäts-, Prüf- und Transparenzanforderungen.
Die SSK erkennt das große Potenzial von KI-Verfahren für die medizinische Bildgebung an. Gleichzeitig weist sie darauf hin, dass KI-basierte Rekonstruktions- und Bildverarbeitungsverfahren erhebliche Risiken mit sich bringen können, insbesondere wenn diagnostisch relevante Informationen verändert, unterdrückt oder künstlich erzeugt werden. Deshalb stellt die SSK umfangreiche Qualitäts-, Prüf- und Transparenzanforderungen.
2.1 Anforderungen an die diagnostische Sicherheit
| • | Keine diagnostischen Informationen verlieren |
KI-Verfahren dürfen die diagnostische Aussagekraft medizinischer Bilder nicht verschlechtern. Das bedeutet, dass alle für die Befundung relevanten Strukturen erhalten bleiben müssen.
Sensitivität (Erkennungsrate von Erkrankungen) und Spezifität (Vermeidung falscher Diagnosen) dürfen gegenüber konventionellen Verfahren nicht wesentlich schlechter werden.
KI darf keine künstlichen Strukturen („Halluzinationen”) erzeugen, die fälschlicherweise als krankhafte Befunde interpretiert werden könnten.
Besonders wichtig ist dies bei der Strahlentherapie:CT-Bilder werden dort zur Bestrahlungsplanung verwendet. Die sogenannten Hounsfield-Einheiten, die Gewebeeigenschaften beschreiben, dürfen nicht signifikant verändert werden. Andernfalls könnten Bestrahlungsdosen falsch berechnet werden.
| • | Dosisreduktion nur bei gleichbleibender Diagnostik |
Ein häufiges Ziel von KI ist die Reduktion der Strahlenbelastung. Die SSK betont jedoch, dass eine geringere Strahlendosis nur dann gerechtfertigt ist, wenn die KI die diagnostische Qualität vollständig kompensiert.Alle relevanten Befunde müssen weiterhin erkannt werden. Die diagnostische Sicherheit muss mindestens gleichwertig bleiben. Die rechtfertigende Indikation einer Untersuchung darf durch Qualitätsverluste nicht gefährdet werden.
| • | Nachweis durch Human-Observer-Studien |
Die Wirksamkeit eines KI-Verfahrens soll vorzugsweise durch Studien mit menschlichen Experten nachgewiesen werden.
Dabei beurteilen Radiologen oder andere Fachpersonen:
| • | ob Befunde korrekt erkannt werden, |
| • | ob wichtige Strukturen erhalten bleiben, |
| • | ob Fehler oder Artefakte entstehen. |
Andere technische Messverfahren können akzeptiert werden, wenn ihre Aussagekraft wissenschaftlich belegt wurde.
Es muss jedoch sichergestellt sein, dass die Bewertungsmethode die KI nicht bevorzugen darf. Auch feine, schwer erkennbare Veränderungen müssen berücksichtigt werden.