Intelligente Technologie KI-System der nächsten Generation revolutioniert die Radiologie

Ein Team der Northwestern University Feinberg School of Medicine hat ein neuartiges generatives KI-System entwickelt, was nach eigenen Angaben die Radiologie revolutionieren soll. Es steigert die Produktivität, identifiziert lebensbedrohliche Zustände in Millisekunden und bietet eine Lösung für den globalen Radiologenmangel.

Die Radiologie wird zu einem der größten Engpässe im Gesundheitswesen. Bis 2033 wird in den USA ein Mangel von bis zu 42.000 Radiologen erwartet, da das Bildgebungsvolumen jährlich um bis zu fünf Prozent steigt, während die Anzahl der Radiologie-Residency-Positionen nur um zwei Prozent zunimmt.

Das KI-System der Northwestern University Feinberg School of Medicine bietet eine Lösung, indem es Radiologen hilft, Rückstände abzubauen und Ergebnisse in Stunden statt Tagen zu liefern. Eine Studie hierzu wurde am 5. Juni im Jama Network Open veröffentlicht. Sie trägt den Titel „Efficiency and Quality of Generative AI–Assisted Radiograph Reporting“.

„Dies ist, soweit ich weiß, der erste Einsatz von KI, der nachweislich die Produktivität, insbesondere im Gesundheitswesen, verbessert. Selbst in anderen Bereichen habe ich nichts Vergleichbares gesehen, das einem 40-prozentigen Anstieg nahekommt“, sagte der leitende Autor Dr. Mozziyar Etemadi, Assistenzprofessor für Anästhesiologie an der Feinberg School of Medicine der Northwestern University und für Biomedizinische Ingenieurwissenschaften an der Mc Cormick School of Engineering.

Deutlicher Effizienzgewinn

Für die Studie wurde das KI-System in Echtzeit im 11-Krankenhaus-Netzwerk von Northwestern Medicine eingesetzt, wo im Jahr 2024 fast 24.000 Radiologieberichte über einen Zeitraum von fünf Monaten analysiert wurden. Etemadis Team verglich die Erstellungszeiten und die klinische Genauigkeit der Radiografieberichte mit und ohne das KI-Tool.

Die Ergebnisse: Eine durchschnittliche Steigerung der Effizienz bei der Erstellung von Radiografieberichten um 15,5 Prozent – einige Radiologen erreichten sogar Zugewinne von bis zu 40 Prozent – ohne die Genauigkeit zu beeinträchtigen. Nachfolgende Arbeiten, die noch unveröffentlicht sind, zeigen Effizienzgewinne von bis zu 80 Prozent und ermöglichen den Einsatz des Tools auch für CT-Scans. Die eingesparte Zeit ermöglichte es den Radiologen, Diagnosen viel schneller zu stellen, insbesondere in kritischen Fällen, in denen jede Sekunde zählt.

Laut den Studienautoren ist dies das erste generative KI-Radiologie-Tool weltweit, das in einen klinischen Arbeitsablauf integriert ist. Ebenfalls neu ist, dass das generative KI-Modell sowohl hohe Genauigkeit als auch gesteigerte Effizienz bei allen Arten von Röntgenbildern, vom Schädel bis zu den Zehen, gezeigt hat.

Ganzheitliche Analyse

Im Gegensatz zu anderen derzeit auf dem Markt erhältlichen KI-Tools, die sich auf die Erkennung einer einzelnen Bedingung konzentrieren, analysiert das ganzheitliche Modell von Northwestern das gesamte Röntgen- oder CT-Bild. Es generiert automatisch einen Bericht, der zu 95 Prozent vollständig und auf jeden Patienten personalisiert ist. Die individuellen Berichte fassen wichtige Erkenntnisse zusammen und bieten eine Vorlage zur Erweiterung der Diagnose und Behandlung durch den Radiologen. Im Nachgang kann der Radiologe den Bericht überprüfen und finalisieren.

Lebensbedrohliche Zustände kennzeichnen

Neben der Verbesserung der Effizienz kennzeichnet das KI-System in Echtzeit lebensbedrohliche Zustände wie Pneumothorax (kollabierte Lunge) – bevor ein Radiologe die Röntgenbilder überhaupt sieht. Da das KI-Modell Berichte für jedes Bild erstellt, überwacht ein automatisiertes Tool diese Berichte auf kritische Befunde und gleicht sie mit den Patientenakten ab. Wenn das System einen neuen Zustand identifiziert, der dringend behandelt werden muss, kann es die Radiologen sofort alarmieren.

„An einem beliebigen Tag in der Notaufnahme haben wir möglicherweise 100 Bilder zu überprüfen, und wir wissen nicht, welches eine Diagnose enthält, die ein Leben retten könnte“, sagt der Mitautor Dr. Samir Abboud, Leiter der Notfallradiologie bei Northwestern Medicine und klinischer Assistenzprofessor für Radiologie an der Feinberg School. „Diese Technologie hilft uns, schneller zu triagieren – sodass wir die dringendsten Fälle früher erfassen und schneller zur Behandlung bringen können.“

Das Northwestern-Team passt das KI-Modell auch an, um potenziell verpasste oder verzögerte Diagnosen wie Lungenkrebs im Frühstadium zu erkennen. „Ein verfügbarer Entwurfsbericht, noch bevor er vom Radiologen eingesehen wird, bietet einen einfachen, umsetzbaren Datenpunkt, auf den schnell und effizient reagiert werden kann. Das ist völlig anders als traditionelle Triagesysteme, die akribisch trainiert werden müssen, Diagnose für Diagnose“, sagt Etemadi, der auch klinischer Direktor für fortgeschrittene Technologien in der Informationsabteilung von Northwestern Medicine ist, in der sein krankenhausbasiertes Ingenieurteam einen Großteil der Studie durchgeführt hat.

Keine Abhängigkeit von Tech-Giganten

Anstatt große, internettrainierte Modelle wie Chat GPT anzupassen, bauten die Northwestern-Ingenieure ihr eigenes System von Grund auf mit klinischen Daten aus dem Northwestern-Medizin-Netzwerk. Das ermöglichte es dem Team, ein leichtgewichtiges, flexibles KI-Modell zu schaffen, das speziell für die Radiologie bei Northwestern entwickelt wurde – schneller, genauer und mit weitaus geringerem Rechenaufwand.

„Gesundheitssysteme müssen sich nicht auf Tech-Giganten verlassen“, sagt Erstautor Dr. Jonathan Huang, Medizinstudent an der Feinberg School. „Unsere Studie zeigt, dass der Bau von benutzerdefinierten KI-Modellen für ein typisches Gesundheitssystem durchaus machbar ist, ohne auf teure und undurchsichtige Drittanbieter-Tools wie ChatGPT angewiesen zu sein. Wir glauben, dass diese Demokratisierung des Zugangs zu KI der Schlüssel zur weltweiten Einführung ist“, fügt Etemadi hinzu.

Etemadi leitet ein Bell Labs-ähnliches Engineering-Team, das in das Krankenhaus-System eingebettet ist: „Mein größter Stolz ist es, ein so starkes interdisziplinäres Team aufgebaut zu haben, das die höchsten Prioritäten des Gesundheitssystems umsetzen kann“, sagt Etemadi. „Wir bringen nicht nur die Gesundheits-KI voran – wir entwickeln die Grundlagen der KI zu einem Bruchteil der Kosten der großen KI-Labors weiter. Das ist der Anfang des DeepSeek-Moments für die Gesundheits-KI.“

Zwei Patente wurden für die Northwestern-Medizintechnologie genehmigt, weitere befinden sich in verschiedenen Phasen des Genehmigungsprozesses. Das Tool ist in den frühen Stadien der Kommerzialisierung.

Dieser Beitrag stammt ursprünglich von unserem Partnerportal https://www.devicemed.de.

(ID:50455947)