Wird KI die ärztliche Befundung ersetzen?

KI in der Radiologie ist längst keine Zukunftstechnologie mehr. Algorithmen unterstützen die Bildrekonstruktion, erkennen und quantifizieren definierte Auffälligkeiten, priorisieren Untersuchungen und helfen bei der Erstellung radiologischer Befunde. Mit generativer künstlicher Intelligenz kommen inzwischen Systeme hinzu, die medizinische Texte verarbeiten und Befundentwürfe erstellen können.

Damit stellt sich die Frage neu, ob künstliche Intelligenz langfristig nicht nur einzelne Arbeitsschritte, sondern die ärztliche Befundung selbst übernehmen könnte. Die Antwort hängt wesentlich davon ab, was unter „Befundung“ verstanden wird: Die Analyse eines Bildes ist nur ein Teil eines Prozesses, der klinische Informationen, Voruntersuchungen, diagnostische Unsicherheit, Kommunikation und medizinische Verantwortung einschliesst.

Inhaltsverzeichnis

• Was KI in der Radiologie heute bereits übernimmt
• Bildanalyse ist nicht gleich Befundung
• Generative KI verändert die Befunderstellung
• Wo KI an Grenzen stösst
• Automation Bias: Wenn die KI den Menschen beeinflusst
• Wer trägt die Verantwortung?
• KI sicher in den radiologischen Workflow integrieren
• Wie verändert sich die Rolle der Radiologie?
• Fazit
• Literatur

Glossar

• Deep Learning: Teilgebiet des maschinellen Lernens, bei dem künstliche neuronale Netze komplexe Muster aus grossen Datenmengen erlernen. In der Radiologie wird Deep Learning unter anderem für Bildrekonstruktion, Detektion, Segmentierung und Klassifikation eingesetzt.
• Generative KI: Künstliche Intelligenz, die auf Grundlage erlernter Muster neue Inhalte wie Texte oder Bilder erzeugen kann. In der Radiologie kann sie beispielsweise bei der Erstellung und Strukturierung von Befundtexten unterstützen.
• Multimodales Modell: KI-Modell, das unterschiedliche Arten von Informationen wie Bilder und Texte gemeinsam verarbeiten kann. Dadurch können beispielsweise Bilddaten mit klinischen Angaben oder Vorbefunden kombiniert werden.
• Halluzination: Inhaltlich falsche oder nicht durch die zugrunde liegenden Daten belegte Ausgabe eines generativen KI-Modells, die dennoch plausibel formuliert sein kann.
• Automation Bias: Tendenz, automatisierten Ergebnissen oder Empfehlungen zu stark zu vertrauen und dadurch eigene Beobachtungen oder widersprechende Informationen weniger kritisch zu berücksichtigen.
• Human Oversight: Menschliche Aufsicht über ein KI-System. Sie soll gewährleisten, dass Ergebnisse der KI fachlich beurteilt und Fehlentscheidungen erkannt beziehungsweise korrigiert werden können.
• AI Literacy: Kenntnisse und Fähigkeiten, die erforderlich sind, um KI-Systeme sachgerecht einzusetzen, ihre Ergebnisse einzuordnen und ihre Möglichkeiten, Grenzen und Risiken zu verstehen.

Was KI in der Radiologie heute bereits übernimmt

Der Begriff künstliche Intelligenz umfasst sehr unterschiedliche Technologien. In der medizinischen Bildgebung kommen vor allem Verfahren des maschinellen Lernens und Deep Learning zum Einsatz. Sie können für eng definierte Aufgaben trainiert werden und beispielsweise bestimmte Strukturen erkennen, segmentieren, vermessen oder klassifizieren.

Solche Anwendungen finden sich inzwischen an zahlreichen Stellen des radiologischen Workflows. KI kann die Bildrekonstruktion unterstützen, Untersuchungen nach auffälligen Befunden priorisieren, Läsionen detektieren und quantifizieren oder Veränderungen gegenüber Voruntersuchungen erfassen. Weitere Anwendungen betreffen beispielsweise Organ- und Tumorsegmentierungen, volumetrische Messungen und die automatische Bestimmung bestimmter bildgebender Biomarker.

Der Nutzen hängt jedoch von der jeweiligen Anwendung ab. Ein Algorithmus, der für eine klar definierte Fragestellung validiert wurde, ist nicht automatisch für andere Befunde oder Patientengruppen geeignet. Ebenso bedeutet eine hohe diagnostische Genauigkeit in einer Studie nicht zwangsläufig, dass ein System im klinischen Alltag unter anderen technischen und organisatorischen Bedingungen dieselbe Leistung erreicht.

Bildanalyse ist nicht gleich Befundung

Radiologische Befundung besteht nicht allein darin, Auffälligkeiten auf Bildern zu erkennen. Ein Befund muss die relevante Morphologie beschreiben, Veränderungen gegenüber Voruntersuchungen einordnen und die Ergebnisse im Zusammenhang mit Fragestellung und verfügbaren klinischen Informationen bewerten.

Ein CT kann beispielsweise mehrere Auffälligkeiten enthalten, von denen nur ein Teil für die aktuelle klinische Situation relevant ist. Andere Befunde sind inzidentell, chronisch oder gegenüber Voruntersuchungen unverändert. Ihre Bedeutung ergibt sich nicht allein aus ihrem Erscheinungsbild, sondern aus dem jeweiligen Kontext.

Gerade hier liegt ein wesentlicher Unterschied zwischen einer spezialisierten KI-Anwendung und einer vollständigen ärztlichen Befundung. Viele heute eingesetzte Systeme bearbeiten eine begrenzte Aufgabe innerhalb eines wesentlich komplexeren diagnostischen Prozesses. Aus der zuverlässigen Automatisierung einzelner Aufgaben folgt deshalb nicht automatisch die Automatisierbarkeit der gesamten Befundung.

Generative KI verändert die Befunderstellung

Neben der klassischen Bildanalyse gewinnt generative künstliche Intelligenz an Bedeutung. Grosse Sprachmodelle beziehungsweise multimodale Modelle können Texte und teilweise unterschiedliche Datentypen verarbeiten. Damit entstehen Anwendungen, die über die reine Detektion oder Segmentierung hinausgehen.

In der Radiologie können solche Systeme beispielsweise bei der Strukturierung von Befunden, der sprachlichen Überarbeitung, der Zusammenfassung von Vorbefunden oder der Erstellung von Befundentwürfen unterstützen. Perspektivisch lassen sich Bildanalyse, klinische Informationen und Textgenerierung zunehmend miteinander verbinden.

Damit entstehen allerdings neue Fehlerquellen. Generative Modelle können inhaltlich plausible, aber sachlich falsche Aussagen erzeugen. Solche Fehler sind besonders problematisch, weil sie sprachlich überzeugend formuliert sein können. Ein gut geschriebener automatisch erzeugter Befund ist deshalb nicht zwangsläufig ein medizinisch korrekter Befund.

Wo KI an Grenzen stösst

Die Leistungsfähigkeit eines KI-Systems hängt wesentlich von seinen Trainings- und Validierungsdaten ab. Unterschiede bei Patientenkollektiven, Erkrankungshäufigkeiten, Untersuchungsgeräten oder Akquisitionsprotokollen können die Übertragbarkeit auf eine andere klinische Umgebung beeinflussen. Seltene Erkrankungen und ungewöhnliche Befundkonstellationen stellen eine besondere Herausforderung dar, wenn sie in den Trainingsdaten nicht ausreichend repräsentiert waren.

Auch systematische Verzerrungen der Daten können sich auf die Ergebnisse auswirken. Ein Modell kann Zusammenhänge erlernen, die in den Trainingsdaten vorhanden sind, aber nicht der eigentlich interessierenden Pathologie entsprechen. Die technische Leistungsfähigkeit eines Algorithmus muss deshalb von seiner klinischen Generalisierbarkeit unterschieden werden.

Hinzu kommt, dass radiologische Untersuchungen häufig mehrere gleichzeitig vorhandene Befunde zeigen. Ein für eine bestimmte Pathologie entwickeltes System kann seine vorgesehene Aufgabe korrekt erfüllen und dennoch eine andere klinisch relevante Veränderung nicht erfassen. Ein negatives KI-Ergebnis darf daher nur im Rahmen des definierten Anwendungsbereichs interpretiert werden.

Automation Bias: Wenn die KI den Menschen beeinflusst

Ein besonderes Risiko entsteht nicht nur durch Fehler der künstlichen Intelligenz selbst, sondern durch die Interaktion zwischen Mensch und System. Als Automation Bias bezeichnet man die Tendenz, einer automatisierten Empfehlung zu stark zu vertrauen und eigene abweichende Beobachtungen weniger kritisch zu verfolgen.

Das kann in beide Richtungen wirken. Markiert ein Algorithmus eine vermeintliche Läsion, kann dies die Aufmerksamkeit des Befunders auf diese Region lenken und falsch-positive Befunde begünstigen. Übersieht die KI dagegen eine Veränderung, besteht das Risiko, dass auch der Mensch ihr weniger Aufmerksamkeit schenkt.

KI-Unterstützung verbessert deshalb nicht automatisch jede Befundung. Entscheidend ist, wie das System in den Workflow integriert wird, zu welchem Zeitpunkt sein Ergebnis sichtbar ist und wie gut Anwender seine Leistungsgrenzen kennen.

Wer trägt die Verantwortung?

Mit zunehmender Automatisierung gewinnt die Frage nach der menschlichen Aufsicht an Bedeutung. Die European Society of Radiology (ESR) betont im Zusammenhang mit dem europäischen AI Act unter anderem Transparenz, Datenqualität, AI Literacy, Human Oversight, Qualitätsmanagement und die Überwachung von KI-Systemen nach ihrer Einführung.

Der europäische AI Act schafft hierfür einen zusätzlichen regulatorischen Rahmen. KI-Systeme können insbesondere dann als Hochrisiko-Systeme eingestuft werden, wenn sie selbst ein reguliertes Produkt oder Sicherheitsbestandteil eines Produkts sind und die gesetzlichen Voraussetzungen für eine entsprechende Konformitätsbewertung erfüllen. Für medizinische KI ist daneben weiterhin das Medizinprodukterecht relevant.

Eine regulatorische Zulassung oder Konformitätsbewertung bedeutet jedoch nicht, dass ein System in jeder lokalen Umgebung automatisch gleich gut funktioniert. Kliniken und Praxen müssen deshalb auch nach der Einführung beurteilen, ob die Anwendung im vorgesehenen Einsatzbereich zuverlässig arbeitet.

KI sicher in den radiologischen Workflow integrieren

Vor dem Einsatz sollte zunächst klar definiert sein, welches konkrete Problem die KI lösen soll. Ein zusätzlicher Algorithmus schafft nicht automatisch einen klinischen Mehrwert. Entscheidend sind unter anderem diagnostische Leistung, Integration in RIS und PACS, zusätzlicher Zeitaufwand und der Einfluss auf den gesamten Workflow.

Die Leistungsfähigkeit sollte möglichst unter den Bedingungen der eigenen Einrichtung beurteilt werden. Dazu gehören der vorhandene Gerätepark, die verwendeten Untersuchungsprotokolle und das lokale Patientenkollektiv. Nach der Einführung sollte die Qualität weiter überwacht werden, da Änderungen von Software, Geräten, Protokollen oder Patientenkollektiven die Leistung beeinflussen können.

Ebenso wichtig ist die AI Literacy der Anwender. Radiologinnen und Radiologen müssen keine KI-Systeme programmieren können. Sie sollten jedoch verstehen, für welche Aufgabe ein System entwickelt wurde, welche Eingaben es verarbeitet, welche Ergebnisse es liefert und in welchen Situationen seine Zuverlässigkeit eingeschränkt sein kann.

Wie verändert sich die Rolle der Radiologie?

Die entscheidende Entwicklung dürfte weniger darin bestehen, dass KI den radiologischen Beruf als Ganzes übernimmt. Wahrscheinlicher ist eine zunehmende Automatisierung einzelner Bestandteile der radiologischen Arbeit. Messungen, Segmentierungen, Vergleiche mit Voruntersuchungen, Priorisierung und Teile der Befunderstellung eignen sich unterschiedlich gut für eine solche Unterstützung.

Damit kann sich auch der Schwerpunkt ärztlicher Arbeit verschieben. Die Einordnung komplexer Befundkonstellationen, die Bewertung widersprüchlicher Informationen, die Auswahl weiterer diagnostischer Schritte und die Kommunikation mit klinischen Partnern bleiben zentrale Bestandteile der Radiologie. Gleichzeitig müssen Radiologinnen und Radiologen zunehmend die Ergebnisse automatisierter Systeme beurteilen und deren Grenzen erkennen.

Wie weit die Automatisierung künftig reicht, lässt sich nicht zuverlässig vorhersagen. Technische Fortschritte insbesondere bei multimodalen Modellen können Aufgaben automatisierbar machen, die heute noch eine ärztliche Bearbeitung erfordern. Ebenso können regulatorische, haftungsrechtliche und organisatorische Rahmenbedingungen die Entwicklung beeinflussen.

Deshalb wäre es ebenso wenig begründet, einen vollständigen Ersatz der ärztlichen Befundung vorherzusagen wie ihn für alle Zukunft auszuschliessen. Nach heutigem Stand spricht vieles dafür, dass KI in der Radiologie zunehmend Aufgaben übernimmt und die ärztliche Befundung verändert, anstatt sie als Gesamtprozess kurzfristig zu ersetzen.

Fazit

KI in der Radiologie übernimmt bereits heute zahlreiche klar definierte Aufgaben und wird einen wachsenden Anteil des radiologischen Workflows automatisieren. Bildanalyse, Befunderstellung und ärztliche Befundung sind jedoch nicht gleichzusetzen. Die medizinische Einordnung unterschiedlicher Informationen, der Umgang mit Unsicherheit und die Verantwortung für diagnostische Entscheidungen gehen über die isolierte Erkennung eines Bildbefundes hinaus.

Die zentrale Frage für die Radiologie lautet deshalb zunehmend nicht mehr, ob KI eingesetzt wird, sondern für welche Aufgaben sie einen nachweisbaren Nutzen bietet und wie Mensch und KI sicher zusammenarbeiten.

Literatur

• Kotter E, Akinci D’Antonoli T, Cuocolo R, et al. Guiding AI in radiology: ESR’s recommendations for effective implementation of the European AI Act. Insights into Imaging. 2025;16:33. doi:10.1186/s13244-025-01905-x.
• Tejani AS, Rauschecker AM, Kohli M, Mongan J. AI for Radiology: A Primer Part I. From Idea to Algorithm. Radiology. 2025;317:e250692. doi:10.1148/radiol.250692.
• Chendeb El Rai M, Far AB, Darweesh M, et al. Artificial Intelligence Across the Radiology Workflow: A Nine-Stage Narrative Review. Diagnostics. 2026;16:1485. doi:10.3390/diagnostics16101485.
• Koçak B, Ponsiglione A, Stanzione A, et al. Bias in artificial intelligence for medical imaging: fundamentals, detection, avoidance, mitigation, challenges, ethics, and prospects. Diagnostic and Interventional Radiology. 2025;31:75–88. doi:10.4274/dir.2024.242854.
• Tejani AS, Ng YS, Xi Y, Rayan JC. Understanding and Mitigating Bias in Imaging Artificial Intelligence. RadioGraphics. 2024;44:e230067. doi:10.1148/rg.230067.
• World Health Organization. Ethics and governance of artificial intelligence for health: guidance on large multi-modal models. Geneva: World Health Organization; 2025.
• European Union. Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union. 2024.