Was KI in der Radiologie macht

Als Radiologe oder Praxisinhaber wollen Sie wissen, was von der Bild-KI heute wirklich im Befundungsalltag ankommt. Sie unterstützt Ärzte bei der Auswertung von Röntgen-, CT- und MRT-Bildern, übernimmt aber keine Diagnose, sondern erledigt klar umrissene Teilaufgaben. Die Deutsche Röntgengesellschaft beschreibt fünf Kernaufgaben, nämlich Detektion, Klassifikation, Segmentierung, Triage und Verlaufsvergleich. Detektion heißt, eine Auffälligkeit im Bild zu finden. Klassifikation ordnet sie ein, etwa als eher gut- oder bösartig.

Segmentierung und Quantifizierung messen Volumen oder Größe, zum Beispiel bei einem Tumor. Die Triage zieht dringliche Fälle vor, der Verlaufsvergleich stellt alte und neue Aufnahmen gegenüber. Jede dieser Aufgaben liefert einen Vorschlag, kein Urteil, denn den finalen Befund schreibt weiter der Radiologe.

Dass die Radiologie hier führend ist, zeigen die Zulassungszahlen. Nach der von The Imaging Wire ausgewerteten FDA-Liste waren zum Stand 30. März 2026 insgesamt 1.524 KI- und ML-Algorithmen freigegeben, davon 1.163 für die Radiologie. Das sind rund 76 % aller Freigaben. Wie sich dieses Feld in die übrige Medizin einordnet, zeigt der Überblick zu KI in der Medizin.

Wie die Bildanalyse funktioniert

Hinter den meisten Systemen steckt maschinelles Lernen, überwiegend sogenannte Deep-Learning-Netze. Diese neuronalen Netze lernen aus großen Mengen bereits befundeter Bilder und erkennen Muster, die mit bestimmten Auffälligkeiten zusammenhängen. Danach wenden sie das Gelernte auf neue Aufnahmen an. Das Netz versteht die Krankheit nicht, es rechnet Wahrscheinlichkeiten aus Pixelmustern.

Rechtlich ist so ein Programm ein Medizinprodukt. Es gilt als Software as a Medical Device, kurz SaMD, und braucht in der EU eine CE-Kennzeichnung. In den USA folgt eine FDA-Freigabe, meist über die Verfahren 510(k) oder De Novo. Damit gelten für radiologische KI dieselben Regeln wie für andere Medizintechnik. In einer europäischen Übersicht waren nach dem Stand 2024/25 bereits 173 solcher Produkte CE-gekennzeichnet und im Verkauf, ein deutlicher Sprung gegenüber den 100 Produkten von 2021. Dasselbe Register führt am 6. September 2026 bereits 306 Produkte.

Bild-KI arbeitet am Bild, ein Symptom-Checker dagegen an Beschwerden und Texten. Diese Grenze ist wichtig, und den Unterschied vertieft der Beitrag zur KI-gestützten Diagnose. In der Radiologie geht es ausschließlich um die Auswertung der Aufnahme.

Wo KI heute hilft

KI ist nicht überall gleich weit, sondern in einzelnen Feldern belegt, und am stärksten untersucht ist das Mammographie-Screening. Dort prüfte die MASAI-Studie in Lancet Oncology 2023 eine KI-gestützte Befundung an 80.033 Frauen. Ein zweites reifes Feld ist die Schlaganfall-Triage, bei der Software große Gefäßverschlüsse im CT-Angio meldet.

Bei Knochenbrüchen zeigt eine Meta-Analyse in Radiology aus dem Jahr 2022 solide Werte. Über 42 Studien lag die KI-Sensitivität bei 92 beziehungsweise 91 % für interne und externe Validierung. Auf dem Thorax-Röntgen empfiehlt die WHO seit 2021 computergestützte Detektion für das Tuberkulose-Screening ab 15 Jahren. Lungenrundherde im CT sind ein eigenes Thema, das die KI-Früherkennung von Lungenkrebs vertieft.

KI als zweiter Leser

Im Screening ist die Doppelbefundung seit Langem Standard. Zwei Radiologen lesen dieselbe Aufnahme unabhängig voneinander, was die Trefferrate erhöht, aber viel ärztliche Zeit kostet. Die KI-Zweitbefundung setzt an dieser Stelle an. Die Software übernimmt die Rolle eines der beiden unabhängigen Leser oder priorisiert die Fälle vor.

Es geht nicht um mehr Treffer um jeden Preis, sondern um eine gleichbleibende Erkennungsrate bei deutlich geringerer Leselast. In der MASAI-Studie sank die Befundungsarbeit dadurch um 44,3 %, und in dieser Entlastung liegt der eigentliche Hebel, weniger in der reinen Trefferzahl.

Ein KI-Leser ist ein Werkzeug im Ablauf, kein Ersatz für die ärztliche Freigabe. Auffällige Fälle landen weiterhin beim Menschen, denn die KI verschiebt den Aufwand, sie hebt die Verantwortung nicht auf.

Was die MASAI-Studie zeigt

MASAI ist die prominenteste Studie zum Thema, weil sie prospektiv und randomisiert war. Geleitet von Kristina Lång an der Universität Lund, verglich sie in der Region Malmö zwei Gruppen. 40.003 Frauen wurden KI-gestützt gescreent, 40.030 per klassischer Doppelbefundung; insgesamt umfasste die Sicherheits-Zwischenanalyse 80.033 Frauen, veröffentlicht in Lancet Oncology 2023.

Die KI-gestützte Gruppe fand 6,1 Karzinome je 1.000 Screenings, die Standardgruppe 5,1 je 1.000. Die Rückrufrate lag bei 2,2 gegenüber 2,0 %, die Falsch-Positiv-Rate bei 1,5 % in beiden Gruppen. Bei ähnlicher Erkennung sank die Leselast um 44,3 %.

Diese Zahlen gelten für eine einzelne schwedische Kohorte, nicht als allgemeiner Beweis, und daraus lässt sich nicht ableiten, KI erkenne Brustkrebs generell besser. In der MASAI-Studie war die KI-gestützte Befundung sicher und nicht unterlegen, bei klar geringerem Aufwand. Weitere Auswertungen laufen und sind separat zu bewerten.

Priorisierung dringender Fälle

Bei einem Schlaganfall zählt jede Minute, weil absterbendes Hirngewebe nicht zurückkommt. Auch für die zeitkritische Triage gibt es Belege. Software kann im CT-Angio Hinweise auf einen großen Gefäßverschluss erkennen und das Team sofort alarmieren. Der Zeitgewinn entsteht, bevor ein Arzt das Bild überhaupt geöffnet hat.

Der Pionier hier ist Viz.ai. Das System trug bereits im Januar 2018 die CE-Kennzeichnung und erhielt am 15. Februar 2018 als erste KI-gestützte Triage-Software eine FDA-De-Novo-Freigabe. In einer herstellernahen Zulassungsstudie mit 300 Bildern lag die AUC bei 0,91, die mediane Zeit von Scan bis Benachrichtigung unter sechs Minuten. Diese Werte stammen aus einer Zulassungsstudie mit Herstellerbeteiligung.

Ein Herstellerclaim aus der Zulassung ist nicht dasselbe wie unabhängige, peer-reviewte Evidenz. Die Triage kann Abläufe beschleunigen, ersetzt aber weder Befund noch Therapieentscheidung, denn der Alarm ist ein Startsignal, kein fertiges Urteil.

Wird die Radiologie durch KI ersetzt

Die häufigste Sorge lautet, KI mache Radiologen überflüssig, doch der Fachkonsens sagt klar das Gegenteil. Die Deutsche Röntgengesellschaft ordnet KI als Unterstützung für Diagnostik, Effizienz und Routineautomatisierung ein, nicht als Ersatz. Die kritische Bewertung der KI-Befunde bleibt ärztliche Aufgabe.

Die meistzitierte Formel stammt von Curtis Langlotz aus dem Jahr 2017. Sie lautet sinngemäß, dass KI Radiologen nicht ersetzt, aber Radiologen, die KI nutzen, jene ersetzen, die es nicht tun. Trotz früher Ersetzungsprognosen befunden Radiologen bis heute, denn die Technik verändert die Arbeit, sie streicht nicht den Beruf. Was der Einsatz für Dokumentation, Aufbewahrungsfristen und die Anbindung an das PACS bedeutet, steht im Beitrag zum Radiologie-Workflow mit KI.

Laut Berufsverband arbeiten in Deutschland rund 8.500 Radiologen, etwa 1.600 zu wenig. Zugleich steigt das Untersuchungsvolumen, ambulant um rund 25 %, stationär um über 80 % je nach Bezugszeitraum. Diese Verbandszahlen sind Prognosen und Näherungen, keine amtliche Statistik.

Wo die Grenzen liegen

Auch KI liefert Falsch-Positive und Falsch-Negative. In der MASAI-Studie stieg die Rückrufrate leicht von 2,0 auf 2,2 %. Ein System ist nie fehlerfrei, sondern bewegt sich in einer Studienspanne.

Dazu kommt die Generalisierbarkeit. Ein Algorithmus, der an einer Klinik gut läuft, kann anderswo schwächeln. In der Fraktur-Meta-Analyse von 2022 waren nur 13 der 42 Studien extern validiert und lediglich eine prospektiv. Auch die WHO stuft ihre TB-Empfehlung als konditional bei sehr niedriger Evidenzsicherheit ein. Viele Belege sind rückblickend und einzentrisch.

Ärzte können einem KI-Vorschlag außerdem zu stark vertrauen und das eigene Urteil zurückstellen, was als Automation Bias beschrieben wird. Das Risiko ist dokumentiert, gerade wenn die KI anfangs richtig lag. Deshalb bleibt die kritische Distanz zum Ergebnis Teil der ärztlichen Arbeit.

Wer die Verantwortung trägt

Die Verantwortung tragen Sie als befundender Radiologe, weil KI rechtlich ein Werkzeug ist und kein eigenständiger Akteur. Sie darf Vorschläge machen, den Befund verantwortet aber der Mensch. Das gilt auch dann, wenn die Software einen Fall vorsortiert hat.

Die Deutsche Röntgengesellschaft hat diese Rolle klar gezogen. Über ihre AG Informationstechnologie bietet sie eine Zusatzqualifizierung KI an, damit Ärzte die Verlässlichkeit von KI-Befunden kritisch einordnen können. Nicht die Maschine wird geschult, sondern der Umgang mit ihr.

Auch technisch reiht sich radiologische KI in die Medizinrobotik und Medizintechnik ein, in der der Mensch die Kontrolle behält. Ein ähnliches Prinzip zeigt der Blick auf OP-Roboter, die ebenfalls nicht autonom handeln. In beiden Feldern unterstützt das Gerät, und die Verantwortung bleibt beim Arzt.

Zulassung und Recht

Radiologische KI ist streng reguliert und nicht frei einsetzbar. Als Medizinprodukt-Software fällt sie unter die MDR 2017/745. Sie braucht eine Konformitätsbewertung über eine Benannte Stelle und eine CE-Kennzeichnung. Im Regelfall liegt sie in Risikoklasse IIa oder IIb, die genaue Einstufung hängt vom Produkt ab.

Dazu kommt der EU AI Act, offiziell die Verordnung 2024/1689. Er trat am 1. August 2024 in Kraft. KI zur Diagnose, Therapieplanung oder Patientenüberwachung gilt darin als Hochrisiko-KI. Damit greifen Pflichten zu Risikomanagement, Datenqualität, technischer Dokumentation und Post-Market-Überwachung.

Die menschliche Aufsicht steht dabei im Zentrum. Hochrisiko-KI muss so gebaut sein, dass ein Mensch eingreifen und übersteuern kann. Radiologie-KI erfüllt damit MDR und AI Act parallel, und diese Doppelregulierung ist der Rechtsrahmen, in dem jedes System läuft, das Sie einsetzen.

Was das für Patienten heißt

Für Patienten ändert KI vor allem die Abläufe im Hintergrund. Ihre Aufnahme kann vorab von einer Software geprüft und sortiert worden sein. Bei einem Notfall wie dem Schlaganfall kann das wertvolle Minuten sparen. Den Befund liest und verantwortet trotzdem ein Arzt.

Am ehesten begegnet ihnen das reifste Feld im Mammographie-Screening. Dort kann KI als zweiter Leser mitlaufen, um die Ärzte zu entlasten. Für Patienten bleibt der Ablauf gleich, die Aufnahme und das Gespräch verändern sich nicht, denn die Technik arbeitet, ohne dass sie bemerkt wird.

KI macht die Radiologie an einzelnen Stellen schneller und gleichmäßiger, sie macht sie nicht unfehlbar. Ein auffälliger KI-Hinweis ist ein Anlass zur Prüfung, kein fertiges Ergebnis. Fragen zur eigenen Untersuchung klären Patienten immer mit ihrem Behandlungsteam.

Fazit

KI in der Radiologie ist reif und nützlich, aber kein Ersatz für den Arzt. Belegt ist ihr Wert vor allem beim Mammographie-Screening, bei der Schlaganfall-Triage und bei Frakturen. Die Zahlen dazu stammen aus einzelnen Studien und gelten für deren Kohorten. Aus der MASAI-Studie folgt keine allgemeine Überlegenheit, sondern Sicherheit bei geringerer Leselast.

Die Verantwortung bleibt beim Radiologen, und MDR und AI Act verlangen menschliche Aufsicht. Grenzen wie Falsch-Positive, schwache externe Validierung und Automation Bias sind real. KI verändert die radiologische Arbeit spürbar, sie ersetzt den verantwortlichen Befunder nicht.