Digitale Transformation und künstliche Intelligenz in der Radiologie: Herausforderungen und Chancen für Klinik, Forschung und Nachwuchs

Zusammenfassung

Hintergrund

Die Radiologie steht im Zentrum der digitalen Transformation des Gesundheitswesens. Als hochdigitalisierte Fachdisziplin ist sie prädestiniert für die frühe Implementierung und kritische Bewertung innovativer Technologien wie der Künstlichen Intelligenz (KI). Ziel dieser Übersichtsarbeit ist es, die Chancen und Herausforderungen der digitalen Transformation in der Radiologie umfassend und differenziert darzustellen, wobei der Fokus auf klinische Anwendungen, Forschung und Nachwuchsförderung liegt.

Methode

Diese narrative Übersichtsarbeit basiert auf einer selektiven Auswertung aktueller wissenschaftlicher Literatur sowie positionsrelevanter Fachveröffentlichungen der letzten 10 Jahre. Berücksichtigt wurden deutsch- und englischsprachige Beiträge, die für die digitale Transformation der Radiologie relevant sind, insbesondere zu den Themenbereichen digitale Infrastruktur, künstliche Intelligenz, ethische und regulatorische Rahmenbedingungen sowie Aus- und Weiterbildung.

Ergebnisse und Schlussfolgerung

Die Digitalisierung eröffnet der Radiologie erhebliche Potenziale: Neben der Weiterentwicklung bildgebender Verfahren und der automatisierten Bildanalyse mittels KI optimiert sie Arbeitsabläufe, ermöglicht personalisierte Diagnostik und fördert neue Versorgungsmodelle wie die Teleradiologie. Gleichzeitig bestehen jedoch auch zentrale Herausforderungen: Datenschutz, mangelnde Standardisierung, unzureichende Validierung und regulatorische Hürden behindern eine flächendeckende Implementierung in der Klinik. Um die Radiologie zukunftssicher aufzustellen, sind Nachwuchsförderung und die curriculare Integration digitaler Kompetenzen essenziell.

Kernaussagen

• Aufgrund ihrer digitalen Struktur ist die Radiologie besonders gut geeignet, neue Technologien in der Medizin zu integrieren.

• KI-basierte Anwendungen sind teilweise bereits im klinischen Alltag etabliert, benötigen jedoch eine weiterführende Validierung.

• Eine zentrale Zukunftsaufgabe ist die systematische Ausbildung digitaler Kompetenzen bei angehenden Radiolog:innen.

Zitierweise

• Hoffmann E, Bannas P, Bayerl N et al. Digital Transformation and Artificial Intelligence in Radiology: Challenges and Opportunities for Clinical Practice, Research, and the Next Generation. Rofo 2025; DOI 10.1055/a-2741-9717

Schlüsselwörter

Radiologie - Bildung - klinische Praxis - künstliche Intelligenz

Einleitung

Der Nobelpreis für Physik des Jahres 2024 wurde an Geoffrey Hinton verliehen. Damit wurde sein Beitrag zur Entwicklung neuronaler Netzwerke gewürdigt, die die Grundlage für viele moderne Anwendungen der Künstlichen Intelligenz (KI) bilden. Hinton gilt auf der einen Seite als Vordenker der KI-Forschung, auf der anderen Seite jedoch auch als polarisierende Stimme, wenn es um mögliche Auswirkungen auf die Medizin und insbesondere die Radiologie geht. Bereits 2016 äußerte er die provokante Prognose: „People should stop training radiologists now. It’s just completely obvious that within five years deep learning is going to be better than radiologists“ [1]. Später fügte er hinzu: „[Radiologists are] already off the cliff but having not yet looked down to realize they were falling“ [2]. Diese Aussagen lösten in der Fachöffentlichkeit eine breite Diskussion aus – zwischen Euphorie über die technologischen Möglichkeiten und Sorge um die Zukunft eines ganzen Fachgebietes [3] [4].

Während diese Aussagen als dystopisch empfunden werden können, wirken sie für andere als Antrieb: So beschreibt etwa der Radiologe Curtis P. Kelly in einem persönlichen Erfahrungsbericht, wie ihn Hintons Worte zu Beginn seiner Facharztausbildung dazu veranlasst haben, sich intensiv mit den Potenzialen und Grenzen von KI in der Radiologie auseinanderzusetzen – nicht aus Angst, sondern aus dem Wunsch heraus, den Wandel aktiv mitzugestalten [5]. Diese Haltung unterstreicht, dass der Einsatz von KI nicht zwangsläufig Verdrängung bedeutet, sondern auch eine Chance zur Neugestaltung und Weiterentwicklung des Faches sein kann. Dies spiegelt auch die viel zitierte Aussage von Curtis P. Langlotz wider: „Radiologists who use AI will replace radiologists who don’t” [6]. In dieser Perspektive wird KI nicht als Ersatz, sondern als Werkzeug verstanden – mit dem Ziel, die menschlichen diagnostischen Fähigkeiten zu erweitern und zu stärken.

Vor diesem Hintergrund stellt sich nicht nur die Frage, wie KI und andere digitale Innovationen die Radiologie verändern werden, sondern auch, wie das Fach selbst mit dieser Transformation umgeht. Die Radiologie scheint aufgrund ihres hohen Digitalisierungsgrades, der Standardisierung bildgebender Verfahren und ihrer zentralen Rolle im klinischen Management besonders geeignet, digitale Innovationen frühzeitig zu implementieren und kritisch zu evaluieren. Gleichzeitig steht sie exemplarisch für viele Herausforderungen, mit denen die moderne Medizin im digitalen Zeitalter konfrontiert ist: Datenschutz, regulatorische Rahmenbedingungen, Fragen der ärztlichen Verantwortung und nicht zuletzt Unsicherheiten beim medizinischen Nachwuchs.

Das Ziel dieses narrativen Reviews ist es daher, den aktuellen Forschungsstand zum Einsatz von Methoden der KI in der Radiologie darzustellen sowie Chancen und Herausforderungen differenziert und evidenzbasiert zu beleuchten. Er soll angehende Radiolog:innen zur aktiven Mitgestaltung des digitalen Wandels motivieren und die Bedeutung kontinuierlicher Weiterbildung betonen.

Radiologie als Vorreiter der digitalen Transformation

Die Radiologie nimmt aufgrund ihres hohen Digitalisierungsgrades eine führende Rolle in der digitalen Transformation der Medizin ein. Durch die Einführung digitaler bildgebender Systeme, insbesondere des Picture Archiving and Communication System (PACS), konnte die Radiologie bereits frühzeitig eine umfassende Expertise im Umgang mit komplexen Datenstrukturen und deren Management aufbauen [7]. Dazu beigetragen hat die Natur radiologischer Daten: Bildgebende Verfahren erzeugen in erster Linie digitale, standardisierte Datenformate wie DICOM (Digital Imaging and Communications in Medicine) zur Speicherung und Übertragung von Bilddaten inklusive zugehöriger Metadaten, die die Grundlage für eine nahtlose digitale Weiterverarbeitung bilden. Zu den zentralen Standards der Bildgebungs-Interoperabilität zählen neben DICOM HL7 (Health Level Seven, Nachrichtenstandards für den Austausch klinischer Informationen) sowie FHIR (Fast Healthcare Interoperability Resources), ein moderner, webbasierter Standard für den strukturierten Datenaustausch. Sie legen das Format, die Verfügbarkeit relevanter Metadaten sowie das Schnittstellenverhalten fest und sind damit grundlegend für Teleradiologie, Bildvernetzung und KI-Workflows [8].

Die ausgeprägte Interdisziplinarität sowie die unmittelbar digital verfügbaren, standardisierten radiologischen Bilddaten positionieren die Radiologie ideal für eine integrierte Diagnostik. Dies ermöglicht es, radiologische Informationen systematisch mit klinischen, pathologischen, laborchemischen sowie molekularbiologischen Daten zu verbinden, um eine ganzheitliche Sichtweise auf individuelle Patient:innen zu ermöglichen.

Die Verfügbarkeit standardisierter digitaler Datenformate in der Radiologie, wie DICOM, vereinfacht grundsätzlich die technische Speicherung und Übertragung radiologischer Informationen und bildet die Basis für datengetriebene Forschung. Dennoch sollte kritisch angemerkt werden, dass die Nutzung dieser Daten für KI-basierte Anwendungen keineswegs trivial ist. Obwohl radiologische Bilddaten formal digitalisiert und standardisiert vorliegen, bleibt die inhaltliche Erschließung und Interpretation durch KI-Algorithmen eine erhebliche Herausforderung. Anders als bei strukturierten, tabellarisch vorliegenden Daten, etwa Laborwerten, bei denen sich Diagnosen wie Diabetes mellitus vergleichsweise einfach und automatisiert ableiten lassen, sind radiologische Bilddaten hochdimensional, komplex und oft schlecht annotiert. Es ist beispielsweise deutlich aufwendiger, eine KI auf beliebige Pathologien im Thorax-Abdomen-CT zu trainieren, als aus vollständig numerischen Labordatensätzen Krankheitsmuster zu erkennen.

Die vielzitierte „KI-Freundlichkeit“ der Radiologie ist daher differenziert zu betrachten: Der Digitalisierungsgrad reduziert zwar die technischen Einstiegshürden, ersetzt aber nicht die aufwendige inhaltliche Aufbereitung, Annotation und Validierung der Bilddaten für den erfolgreichen KI-Einsatz.

Insgesamt bietet die Radiologie aufgrund ihres systematischen Umgangs mit standardisierten digitalen Formaten ideale Bedingungen für technologische Innovationen und positioniert sich langfristig als strategische Disziplin an der Schnittstelle von Technologieentwicklung, klinischer Versorgung und Forschung. Die Radiologie übernimmt die Rolle des Managements der diagnostischen Daten, sodass durch interdisziplinäre Kooperation und Weiterbildung neue Anwendungsmöglichkeiten entstehen, beispielsweise durch die Einbringung von radiologischen Daten in multizentrischen Studien. [Abb. 1] veranschaulicht die zentrale Rolle der Radiologie als integrative Plattform innerhalb der digitalen Medizin und zeigt ihre Verknüpfung mit wichtigen technologischen und klinischen Entwicklungen. Zunehmend rückt dabei die technische Infrastruktur in den Vordergrund, da sie die Grundlage für die effiziente Nutzung, Speicherung und Analyse großer Bilddatenmengen bildet.

Abb. 1 Die Radiologie als integrative Plattform der digitalen Medizin. Die Abbildung zeigt die zentrale Rolle der Radiologie an der Schnittstelle zwischen technologischem Fortschritt, klinischer Anwendung und interdisziplinärer Kooperation. DICOM: Digital Imaging and Communications in Medicine, HL7 FHIR: Health Level Seven – Fast Healthcare Interoperability Resources, PACS: Picture Archiving and Communication System, RIS: Radiology Information System.

Digitale Infrastruktur

Die digitale Infrastruktur bildet das Rückgrat moderner radiologischer Praxis und ermöglicht die effiziente, sichere und zuverlässige Nutzung sowie Verwaltung medizinischer Bilddaten. In diesem Kontext spielen verschiedene Softwaresysteme eine entscheidende Rolle. Ein Schlüsselbaustein ist das PACS, das eine zentrale, standardisierte digitale Speicherung, Verarbeitung und Verteilung medizinischer Bilddaten erlaubt. Ergänzend dazu werden Radiologie-Informationssysteme (RIS) eingesetzt, welche administrative und organisatorische Prozesse wie die Terminvergabe, Befundschreibung und -verteilung digital abbilden. Durch fortlaufende technische Entwicklungen sind diese Systeme in der Lage, eine nahtlose Integration in den klinischen Alltag zu gewährleisten und standortübergreifenden Zugriff auf Daten zu ermöglichen.

Ein wesentlicher Bestandteil der digitalen Infrastruktur ist zudem der internationale Standard DICOM, der den herstellerunabhängigen Austausch medizinischer Bilddaten zwischen unterschiedlichen bildgebenden Systemen und Softwarelösungen ermöglicht. Dieser wird zunehmend durch den HL7/FHIR-Standard ergänzt, der speziell auf den Datenaustausch zwischen unterschiedlichen Gesundheitseinrichtungen sowie den Aufbau von interoperablen Datenbanken zugeschnitten ist [9]. Dadurch wird die Zusammenarbeit verschiedener medizinischer Einrichtungen und Disziplinen erheblich erleichtert, indem standardisierte Schnittstellen eine effiziente Vernetzung unterschiedlicher klinischer Systeme sicherstellen.

In der zunehmenden Tendenz zur Speicherung und Verwaltung stetig anwachsender Datenmengen liegt die Implementierung von sogenannten Vendor-Neutral Archives (VNA, herstellerunabhängige und standardisierte Datenspeicherung) seitens einer Vielzahl von Einrichtungen begründet [10]. VNAs sind datenformatunabhängige Archive, die neben radiologischen Bildern auch andere medizinische Daten speichern und verwalten können. Ihre Flexibilität hinsichtlich der verwendeten Herstellertechnologie ermöglicht eine dauerhafte, institutionsübergreifende Nutzung, erhöht somit die Investitionssicherheit und gewährleistet langfristig eine effiziente Archivierung und Zugriffskontrolle.

Die Teleradiologie demonstriert besonders eindrucksvoll das hohe Potenzial digitaler Lösungen. Teleradiologische Netzwerke ermöglichen den ortsunabhängigen und zeitnahen Austausch medizinischer Bilddaten, von dem insbesondere strukturschwache und ländliche Regionen profitieren [11]. Bei internationalen Implementierungen, beispielsweise in Teilen Afrikas, unterscheiden sich die datenschutzrechtlichen und regulatorischen Vorgaben jedoch häufig von denen in Deutschland und der Europäischen Union. Dies kann die direkte Vergleichbarkeit der dort erhobenen Daten einschränken.

Der Einsatz von cloudbasierten Technologien ist ein weiterer zunehmend relevanter Bestandteil der digitalen Infrastruktur [12]. Diese Lösungen bieten nicht nur erhebliche Vorteile hinsichtlich Skalierbarkeit und Flexibilität, sondern erlauben auch eine bedarfsgerechte Nutzung von Rechenleistung, was insbesondere bei datenintensiven KI-Anwendungen essenziell ist [13]. Darüber hinaus wird die Zusammenarbeit in klinischen und wissenschaftlichen Kontexten durch cloudbasierte Lösungen vereinfacht, da standortunabhängig auf Daten und Analysewerkzeuge zugegriffen werden kann. Hierbei unterscheidet man zwischen Infrastructure as a Service (IaaS), das grundlegende IT-Ressourcen wie Speicher und Rechenleistung bereitstellt, Platform as a Service (PaaS), das zusätzlich eine Entwicklungsumgebung bietet, und Software as a Service (SaaS), bei dem fertige Anwendungen direkt genutzt werden können [14]. Diese Fortschritte ermöglichen eine flexiblere Versorgung, sodass die Radiologie durch cloudbasierte Lösungen neue Forschungsfelder und medizinische Anwendungsgebiete erschließen kann.

Neben bildbasierten KI-Anwendungen gewinnen auch bildunabhängige Systeme zunehmend an Bedeutung – etwa zur Optimierung von administrativen Abläufen im klinischen Alltag. Ein Beispiel hierfür sind KI-gestützte Tools zur Patiententerminierung, die zur Reduktion von Wartezeiten, Verbesserung der Ressourcenauslastung und Steigerung der Patientenzufriedenheit beitragen können [15].

Die Digitalisierung erfährt jedoch auch zahlreiche Herausforderungen, insbesondere hinsichtlich des Datenschutzes und regulatorischer Vorgaben. Die datenschutzrechtlichen Vorschriften, wie etwa die Datenschutzgrundverordnung (DSGVO) der Europäischen Union sowie das ergänzende Bundesdatenschutzgesetz (BDSG), legen strenge Rahmenbedingungen für die Verarbeitung und Speicherung medizinischer Daten fest, insbesondere im Zusammenhang mit cloudbasierten Infrastrukturen und KI-Plattformen [16]. Dies resultiert in zusätzlichen Anforderungen an die IT-Sicherheit, die Datenschutzkonzepte sowie transparente Informations- und Zustimmungsverfahren gegenüber Patient:innen und ärztlichen Nutzer:innen. Diese regulatorischen Anforderungen können Implementierungsprozesse erschweren und verzögern, sodass die rechtssichere Nutzung digitaler Technologien aufwendig und kostenintensiv sein kann. Dennoch zeigen bisherige Erfahrungen, dass digitale Lösungen regelkonform und sicher in klinische Abläufe integriert werden können, wenn regulatorische und ethische Anforderungen bereits in frühen Entwicklungsphasen berücksichtigt werden. Ein Beispiel für die erfolgreiche Umsetzung solcher Anforderungen ist die Implementierung eines cloudbasierten Teleradiologie-Netzwerks in afrikanischen Ländern [11]. Dieses Netzwerk verbesserte die Versorgung nachhaltig und erfüllte zugleich höchste Standards der Datensicherheit, wobei datenschutzrechtliche und regulatorische Vorgaben beachtet wurden.

KI: Forschung, Innovation und klinische Praxis

KI umfasst in der Medizin eine Vielzahl von algorithmischen Ansätzen, um in großen Datenmengen Muster zu erkennen, komplexe Zusammenhänge zu analysieren und diagnostische und therapeutische Entscheidungen zu unterstützen. Methodisch lassen sich KI-Modelle in verschiedene Kategorien einteilen [17]. Supervised Learning nutzt annotierte Trainingsdaten, bei denen beispielsweise Tumoren in MRT-Bildern manuell markiert wurden, um den Algorithmus gezielt auf deren Erkennung zu trainieren. Im Gegensatz dazu arbeitet Unsupervised Learning ohne solche Markierungen: Der Algorithmus analysiert die Bilddaten selbstständig und sucht nach Mustern oder Auffälligkeiten – etwa, um bisher unerkannte Gewebestrukturen oder potenzielle Subgruppen von Tumoren zu identifizieren. Deep Learning bezeichnet Methoden mit tiefen neuronalen Netzen (z.B. Convolutional Neural Networks, CNNs), die Merkmale schrittweise aus Rohdaten extrahieren und dadurch komplexe, hierarchische Repräsentationen erlernen. Deep-Learning-Modelle finden überwiegend in überwachten Settings (mit gelabelten Daten) Anwendung. In jüngerer Zeit wurden jedoch auch selbstüberwachte und unüberwachte Ansätze entwickelt, die weniger oder keine explizite Beschriftung benötigen [18]. Recurrent Neural Networks (RNNs) werden ergänzend für die Verarbeitung von sequenziellen Daten eingesetzt. Für die komplexe Sprachverarbeitung werden inzwischen vor allem Transformer-basierte Netzwerke genutzt, zu denen auch sogenannte Large Language Models (LLMs) wie ChatGPT oder GPT-4 zählen [19]. Ebenso gibt es sogenannte Generative Adversarial Networks (GANs), welche beispielsweise verwendet werden können, um synthetische Trainingsdaten zu erstellen [20].

In der klinischen Routine haben sich bereits einige KI-Technologien etabliert und werden in verschiedenen diagnostischen Szenarien eingesetzt. Eine der ersten und mittlerweile weit verbreiteten Anwendungen ist LungCAD, ein KI-gestütztes System zur Erkennung von Lungenpathologien in Röntgen- und CT-Bildern, das insbesondere zur Erkennung von Pneumothoraces, Lungenrundherden und interstitiellen Lungenerkrankungen eingesetzt wird [21] [22]. Auch die automatisierte Erkennung von Frakturen ist inzwischen in vielen Krankenhäusern implementiert.

Die KI-gestützte Mammografie, die in Screening-Programmen zur Erhöhung der Sensitivität und zur Reduktion falsch-negativer Befunde beiträgt, ist ein weiteres klinisch etabliertes Feld [23]. [Abb. 2] veranschaulicht beispielhaft die klinische Anwendung von KI in der radiologischen Diagnostik, insbesondere in der Lungen- und Mamma-Bildgebung, sowie deren methodische Grundlagen und weiterführende Perspektiven.

Abb. 2 Beispiele klinischer KI-Anwendungen in der Radiologie. Visualisierung etablierter KI-Anwendungen in der Lungen- und Mamma-Bildgebung sowie deren methodischer Grundlagen [42] [43] [44] [45]. Symbole angepasst von Flaticon (www.flaticon.com). CT: Computertomografie, KI: Künstliche Intelligenz, RADS: Reporting and Data System.

KI-Systeme werden auch zur Optimierung der Akquisition der Bilddaten eingesetzt [24]. In der Magnetresonanztomografie (MRT) kommen rekonstruktive Deep-Learning-Algorithmen zum Einsatz, die bei deutlich verkürzten Scanzeiten eine hohe Bildqualität gewährleisten. Solche Algorithmen tragen nicht nur zur Effizienzsteigerung bei, sondern reduzieren auch Bewegungsartefakte, verbessern die diagnostische Aussagekraft und erhöhen durch verkürzte Messzeiten den Patientenkomfort, indem sie die Belastung durch Immobilität und potenzielles Unwohlsein verringern [25].

Viele KI-gestützte Verfahren befinden sich noch in der Forschungs- und Entwicklungsphase. [Abb. 3] gibt einen Überblick über zentrale KI-Anwendungen in der Radiologie, methodische Grundlagen, Einsatzgebiete in der klinischen Praxis sowie aktuelle Herausforderungen und Lösungsansätze.

Abb. 3 Systematischer Überblick über KI-gestützte Innovationen in der Radiologie. Es werden zentrale Methoden der künstlichen Intelligenz und klinische Anwendungsbeispiele dargestellt – von Bildanalyse, Akquisition und Workflow-Optimierung bis hin zu Radiomics, Nachwuchsförderung und Lösungsansätzen für bestehende Herausforderungen. AG IT: Arbeitsgemeinschaft Informationstechnologie, CAD: Computer-Aided Detection, DRG: Deutsche Röntgengesellschaft, KI: Künstliche Intelligenz, LLM: Large Language Models, MRT: Magnetresonanztomografie, NKLM: Nationaler Kompetenzbasierter Lernzielkatalog Medizin, NLP: Natural Language Processing.

Besonders vielversprechend ist hierbei die automatisierte Organsegmentierung in CT- und MRT-Daten. Sie kommt unter anderem in der Body Composition Analysis zur Quantifizierung der Fett- und Muskelverteilung zum Einsatz und wird zur Beurteilung von Stoffwechsel- oder malignen Erkrankungen genutzt [26]. Ein weiteres relevantes Forschungsgebiet ist die strukturierte Befundung mittels Natural Language Processing (NLP) und LLMs. Aktuelle Studien zeigen, dass LLMs bereits in der Lage sind, Befundtexte kohärent zu strukturieren und zusammenzufassen, was die Variabilität in der Befundung reduzieren und den klinischen Workflow optimieren könnte [27].

Auch in der Diagnostik wird zunehmend die Anwendbarkeit der KI-basierten Modelle geprüft. So wird beispielsweise Radiomics, ein Verfahren zur quantitativen Analyse radiologischer Bilddaten, das durch Extraktion und mathematische Auswertung bildbasierter Merkmale mit dem Auge nicht sichtbare Muster identifiziert, zur Charakterisierung molekularer Eigenschaften von Tumoren erforscht [28]. Hierbei sind Radiomics-Modelle etwa in der Lage, IDH-Mutationen in Gliomen mit hoher Genauigkeit vorherzusagen [29], was in Zukunft die Notwendigkeit invasiver Biopsien reduzieren könnte. Ebenso konnte durch KI-gestützte Bildanalyse das Ansprechen auf Immun-Checkpoint-Inhibitoren beim Lungenkarzinom abgeschätzt werden [30], was gerade bei zielgerichteten (Immun-)Therapien von großer Bedeutung für das personalisierte Patientenmanagement sein kann. Ein wesentlicher limitierender Faktor für viele Radiomics-Anwendungen ist die notwendige Segmentierung bzw. Annotation der sogenannten regions of interest. Manuelle Segmentierungen können erhebliche Inter-Observer-Variabilitäten aufweisen und sind ohne (semi-)automatisierte Verfahren sehr zeitintensiv. Dies beeinflusst sowohl die Reproduzierbarkeit als auch die Skalierbarkeit. Daher sind standardisierte Segmentierungsprotokolle, die Validierung durch mehrere Annotator:innen, die Nutzung KI-gestützter Segmentierungswerkzeuge sowie transparente Angaben zu Segmentierungs- und Qualitätskontrollverfahren zentrale Voraussetzungen für eine belastbare klinische Implementierung von Radiomics-Anwendungen.

Trotz dieser Fortschritte gibt es folglich nach wie vor große Herausforderungen, die eine breite klinische Einführung von KI-gestützten Verfahren verzögern. Ein zentraler Aspekt ist die Validierung und klinische Evidenz, da viele Algorithmen unter Laborbedingungen trainiert, aber nicht systematisch auf ihre Generalisierbarkeit in realen klinischen Umgebungen getestet wurden. Eine unzureichende externe Validierung kann zu einer Reduktion der diagnostischen Genauigkeit führen, insbesondere wenn die Algorithmen auf Datensätze angewendet werden, die sich erheblich von den Trainingsdaten unterscheiden [31]. Um die Generalisierbarkeit und Vergleichbarkeit von KI-Modellen sicherzustellen, sind zudem eine standardisierte Akquisition sowie eine transparente Dokumentation der Bildqualität und der Trainingsdaten entscheidend. Ein weiteres relevantes Problem ist der Datenbias, der insbesondere durch unausgewogene Trainingskohorten entstehen kann. Darunter versteht man Datensätze, in denen bestimmte Patientengruppen – etwa hinsichtlich Alter, Geschlecht, ethnischer Herkunft oder Krankheitsprävalenz – systematisch über- oder unterrepräsentiert sind, was die Generalisierbarkeit der Modelle einschränken kann. KI-Modelle, die primär mit Daten einer bestimmten Population trainiert wurden, lassen sich somit nur schwer auf andere Patient:innengruppen übertragen. Dies kann zu systematischen Unterschieden in der diagnostischen Genauigkeit zwischen Patient:innengruppen führen und stellt eine der größten Herausforderungen für den breiten klinischen Einsatz dar.

Darüber hinaus bestehen regulatorische Hürden, da KI-Systeme in der Medizin als Medizinprodukte klassifiziert werden und somit unter die europäische Medizinprodukteverordnung (MDR) und den neuen EU AI Act fallen. Diese Regelungen erfordern eine nachvollziehbare Transparenz der Entscheidungsprozesse der Algorithmen sowie eine kontinuierliche Leistungsüberwachung, um Sicherheits- und Qualitätsstandards zu gewährleisten [32]. Im Bereich der Radiomics ergeben sich weitere Herausforderungen hinsichtlich Standardisierung und Reproduzierbarkeit, da die extrahierten Bildmerkmale häufig von technischen Faktoren wie Bildaufnahme und Rekonstruktionsparametern beeinflusst werden [33]. Daher sind robuste Validierungsprotokolle erforderlich, um die klinische Anwendbarkeit von Radiomics-Modellen sicherzustellen [34]. Zusätzlich zu den genannten Hindernissen bedarf es in Zukunft besonders der Schulung und Weiterbildung von Radiolog:innen, um die korrekte und sinnvolle Anwendung von KI-Modellen zu gewährleisten. Besonders die „Explainable AI“ (KI-Methoden, die ihre Entscheidungswege für Anwender:innen nachvollziehbar machen) gewinnt hier an Bedeutung. Es ist wichtig, dass Ärzt:innen verstehen können, wie eine KI zu ihrer Entscheidung kommt, um diese Entscheidung auch kritisch bewerten und in den klinischen Kontext setzen zu können.

Trotz der rasanten Entwicklungen einiger KI-Methoden bestehen somit weiterhin zentrale Herausforderungen: Die Qualität, Standardisierung und Verfügbarkeit annotierter Bilddaten ist eingeschränkt, ethische und rechtliche Fragen der Verantwortlichkeit sind häufig ungeklärt, und die Generalisierbarkeit vieler Algorithmen auf neue Patientenkollektive ist bislang nicht ausreichend validiert.

Nachwuchsförderung im digitalen Zeitalter

Viele angehende Radiolog:innen äußern Unsicherheiten hinsichtlich ihrer zukünftigen Rolle in der zunehmend digitalisierten Medizin. Eine multizentrische Umfrage unter Assistenzärzt:innen in den USA ergab, dass über 80 Prozent der Befragten großes Interesse an KI in der Medizin haben, gleichzeitig fühlen sich aber über 50 Prozent nicht ausreichend auf den Umgang mit digitalen Technologien vorbereitet [35]. Aktuelle Daten aus dem deutschsprachigen Raum bestätigen diese Tendenz und zeigen, dass die Wahrnehmung der Rolle von KI im radiologischen Arbeitsumfeld das Interesse an einer Fachweiterbildung in der Radiologie beeinflusst [36].

Insbesondere in der Radiologie, einem der am stärksten durch digitale Technologie geprägten Fachgebiete, besteht offenbar eine Diskrepanz zwischen der rasanten Entwicklung neuer KI-Anwendungen und der curricularen Integration digitaler Kompetenzen in die medizinische Ausbildung. Erste Pilotprojekte in Deutschland integrieren KI-bezogene Fallseminare in das PJ sowie strukturierte Weiterbildungsangebote in die Facharztausbildung. Digitale Lernplattformen der Deutschen Röntgengesellschaft (DRG) und Lehrvideos zu KI-Anwendungen werden bereits erprobt und evaluiert.

Um diesen Herausforderungen zu begegnen, ist eine frühzeitige und systematische Integration digitaler Kompetenzen in die medizinische Ausbildung unerlässlich [37]. In Deutschland dient der Nationale Kompetenzbasierte Lernzielkatalog Medizin (NKLM 2.0) als Grundlage für die curriculare Gestaltung an den medizinischen Fakultäten. Der NKLM 2.0 umfasst neben den klassischen medizinischen und klinischen Kompetenzen zunehmend auch Anforderungen an die digitale Kompetenzentwicklung zukünftiger Ärzt:innen. Dazu gehören unter anderem die kritische Bewertung und Anwendung KI-gestützter Diagnosesysteme, der sichere Umgang mit elektronischen Patientenakten, die Integration telemedizinischer Konzepte in den klinischen Alltag, Grundlagen der Datenanalyse sowie IT-Sicherheit [38]. Durch diese gezielte curriculare Anpassung soll sichergestellt werden, dass Medizinstudierende bereits während ihrer Ausbildung auf die Herausforderungen einer zunehmend digitalisierten Gesundheitsversorgung vorbereitet werden.

Über das Studium hinaus werden digitale Kompetenzen zunehmend auch in der Facharztweiterbildung gefördert. Die DRG bietet spezifische Qualifizierungsprogramme an, um Radiolog:innen gezielt auf die Nutzung digitaler Technologien vorzubereiten. Ein herausragendes Beispiel ist das Q1-Zertifikat der Arbeitsgemeinschaft Informationstechnologie (AG IT), das praxisorientiertes Wissen über digitale Anwendungen in der Radiologie vermittelt. Das Programm umfasst Inhalte zu KI und maschinellem Lernen, strukturierten Befundformaten, Datenmanagement und IT-Sicherheit in der Radiologie. Ein weiteres innovatives Programm zur Förderung digitaler Kompetenz ist AI-RADS, ein neuartiges KI-Weiterbildungscurriculum für Radiolog:innen, das sowohl in Präsenz- als auch in Online-Formaten angeboten wird. Eine Evaluationsstudie zeigte, dass die Teilnehmer:innen durch das Programm signifikant an Wissen über KI-Anwendungen in der Radiologie gewannen und ihre Unsicherheiten im Umgang mit diesen Technologien reduzierten [39]. Solche Programme verdeutlichen, dass eine gezielte digitale Weiterbildung essenziell ist, um Radiolog:innen auf die zukünftigen Herausforderungen einer zunehmend datengetriebenen Medizin vorzubereiten.

Durch die klare Kommunikation der neuen Anforderungen und die Förderung analytischer Fähigkeiten kann die Attraktivität der Radiologie für den medizinischen Nachwuchs gezielt gesteigert werden. Die gezielte curriculare Verankerung digitaler Kompetenzen sowie ergänzende spezialisierte Weiterbildungsangebote ermöglichen es, angehende Radiolog:innen optimal auf ihre Rolle in einer zunehmend technologisierten Medizin vorzubereiten und sie zu befähigen, den digitalen Wandel aktiv mitzugestalten. Hier ist es jedoch besonders wichtig, die Balance zwischen der Vermittlung technischer Fähigkeiten und der Aufrechterhaltung der radiologischen Kernkompetenzen wie dem klinischen Urteilsvermögen zu beachten.

Zukunftsperspektiven

Die Radiologie entwickelt sich zu einer zentralen Plattform für die personalisierte und präzise Medizin [40]. Fortschritte in den Bereichen Radiomics und molekulare Bildgebung ermöglichen es, über die morphologische Bildanalyse hinaus quantifizierbare (molekulare) Merkmale zu extrahieren. In Kombination mit molekularen Profilen wie Liquid Biopsies können Diagnosen präzisiert und Therapieentscheidungen stärker individualisiert werden [40]. Entscheidende Aspekte dieser Entwicklung sind die multimodale Bildgebung und die Integration der radiologischen Daten mit klinischen Parametern, genetischen Informationen und laborchemischen Analysen. Dies fördert eine der komplexen, modernen Medizin angemessene, individuelle Diagnostik, bei der die Radiologie eine koordinierende Rolle einnehmen kann.

Mit zunehmender Digitalisierung wird die Radiologie zudem interdisziplinärer. Neben der engen Kooperation mit Informatik, Physik, Biologie und Ingenieurwissenschaften spielt insbesondere die Zusammenarbeit mit den Medizinischen Technolog:innen für Radiologie (MTR) eine Schlüsselrolle. Da automatisierte Analyseverfahren, KI-gestützte Bildakquisition und digitale Workflows an Bedeutung gewinnen, werden auch in dieser Berufsgruppe zunehmend erweiterte Qualifikationen im Bereich der Datenverarbeitung und KI-gestützten Bildanalyse benötigt [41]. Die enge Zusammenarbeit zwischen Radiolog:innen und MTR ist entscheidend für die reibungslose Implementierung und den effizienten Einsatz digitaler Technologien im klinischen Alltag.

In den nächsten Jahren ist zu erwarten, dass multimodale, KI-gestützte Entscheidungsunterstützung, die Integration von Bild-, Genom- und Routinedaten sowie die Nutzung digitaler Zwillinge die Rolle der Radiologie im interdisziplinären klinischen Management weiter stärken.

Zusammenfassung

Die aktuellen Entwicklungen in der Radiologie bieten große Chancen für die Verbesserung diagnostischer und therapeutischer Abläufe. Innovationen im Bereich der digitalen Infrastruktur, der KI und der Nachwuchsförderung eröffnen enorme Potenziale, die durch die Radiologie aktiv gestaltet werden können. Gleichzeitig erfordert die erfolgreiche Implementierung der KI-gestützten digitalen Technologien eine kontinuierliche Anpassung an regulatorische Vorgaben sowie eine kritische Evaluierung der Methoden hinsichtlich ihres klinischen Nutzens und Praktikabilität.

Durch interdisziplinäre Zusammenarbeit, innovative Forschung und eine gezielte Nachwuchsförderung wird die Radiologie auch in Zukunft eine zentrale Rolle im digitalisierten Gesundheitswesen einnehmen und wesentlich zur Weiterentwicklung einer personalisierten Patientenversorgung beitragen.

Interessenkonflikt

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.

• References

• 1 Chan S, Siegel EL. Will machine learning end the viability of radiology as a thriving medical specialty?. Br J Radiol 2019; 92: 20180416
• 2 Alvarado R. Should we replace radiologists with deep learning? Pigeons, error and trust in medical AI. Bioethics 2022; 36: 121-133
• 3 Weisberg EM, Fishman EK, Chu LC. et al. Man Versus Machine? Radiologists and Artificial Intelligence Work Better Together. Journal of the American College of Radiology 2021; 18: 887-889
• 4 Byju, Arjun. “The ‘Godfather of AI’ Predicted I Wouldn’t Have a Job. He Was Wrong”. The New Republic. Accessed October 25, 2024 at: https://newrepublic.com/article/187203/ai-radiology-geoffrey-hinton-nobel-prediction
• 5 Kelly BS. From Wile E. Coyote to Nobel laureate: reflections on Geoffrey Hinton’s impact on radiology and AI. Eur Radiol 2024;
• 6 Langlotz CP. Will Artificial Intelligence Replace Radiologists?. Radiology: Artificial Intelligence 2019; 1: e190058
• 7 Carrino JA, Unkel PJ, Miller ID. et al. Large-scale PACS implementation. J Digit Imaging 1998; 11: 3-7
• 8 Larobina M. Thirty Years of the DICOM Standard. Tomography 2023; 9: 1829-1838
• 9 Arnold P, Pinto Dos Santos D, Bamberg F. et al. FHIR – Overdue Standard for Radiology Data Warehouses. Rofo 2024;
• 10 Nabrawi E, Alanazi AT. Imaging in Healthcare: A Glance at the Present and a Glimpse Into the Future. Cureus 2023; 15: e36111
• 11 Rudisill KE, Mathur N, Kalyanpur A. A teleradiology network for the improvement of healthcare and patient management in the developing countries of the African continent. Clin Imaging 2024; 111: 110188
• 12 Kawa J, Pyciński B, Smoliński M. et al. Design and Implementation of a Cloud PACS Architecture. Sensors (Basel) 2022; 22: 8569
• 13 Putzier M, Khakzad T, Dreischarf M. et al. Implementation of cloud computing in the German healthcare system. NPJ Digit Med 2024; 7: 12
• 14 Sachdeva S, Bhatia S, Al Harrasi A. et al. Unraveling the role of cloud computing in health care system and biomedical sciences. Heliyon 2024; 10: e29044
• 15 Knight DRT, Aakre CA, Anstine CV. et al. Artificial intelligence for patient scheduling in the real-world health care setting: A metanarrative review. Health Policy and Technology 2023; 12: 100824
• 16 Carmi L, Zohar M, Riva GM. The European General Data Protection Regulation (GDPR) in mHealth: Theoretical and practical aspects for practitioners’ use. Med Sci Law 2023; 63: 61-68
• 17 Erickson BJ. Basic Artificial Intelligence Techniques: Machine Learning and Deep Learning. Radiol Clin North Am 2021; 59: 933-940
• 18 Yamashita R, Nishio M, Do RKG. et al. Convolutional neural networks: An overview and application in radiology. Insights Imaging 2018; 9: 611-629
• 19 Tian D, Jiang S, Zhang L. et al. The role of large language models in medical image processing: A narrative review. Quant Imaging Med Surg 2024; 14: 1108-1121
• 20 Nasimov R, Nasimova N, Mirzakhalilov S. et al. GAN-Based Novel Approach for Generating Synthetic Medical Tabular Data. Bioengineering (Basel) 2024; 11: 1288
• 21 Paramasamy J, Mandal S, Blomjous M. et al. Validation of a commercially available CAD-system for lung nodule detection and characterization using CT-scans. Eur Radiol 2024; 35: 1076-1088
• 22 Lind Plesner L, Müller FC, Brejnebøl MW. et al. Commercially Available Chest Radiograph AI Tools for Detecting Airspace Disease, Pneumothorax, and Pleural Effusion. Radiology 2023; 308: e231236
• 23 Lauritzen AD, Lillholm M, Lynge E. et al. Early Indicators of the Impact of Using AI in Mammography Screening for Breast Cancer. Radiology 2024; 311: e232479
• 24 Zhu B, Liu JZ, Cauley SF. et al. Image reconstruction by domain-transform manifold learning. Nature 2018; 555: 487-492
• 25 Foti G, Longo C. Deep learning and AI in reducing magnetic resonance imaging scanning time: Advantages and pitfalls in clinical practice. Pol J Radiol 2024; 89: 443-451
• 26 Linder N, Denecke T, Busse H. Body composition analysis by radiological imaging – methods, applications, and prospects. Rofo 2024;
• 27 Zhang L, Liu M, Wang L. et al. Constructing a Large Language Model to Generate Impressions from Findings in Radiology Reports. Radiology 2024; 312: e240885
• 28 Mariotti F, Agostini A, Borgheresi A. et al. Insights into radiomics: A comprehensive review for beginners. Clin Transl Oncol 2025;
• 29 Di Salle G, Tumminello L, Laino ME. et al. Accuracy of Radiomics in Predicting IDH Mutation Status in Diffuse Gliomas: A Bivariate Meta-Analysis. Radiology: Artificial Intelligence 2024; 6: e220257
• 30 Saad MB, Hong L, Aminu M. et al. Predicting benefit from immune checkpoint inhibitors in patients with non-small-cell lung cancer by CT-based ensemble deep learning: A retrospective study. The Lancet Digital Health 2023; 5: e404-e420
• 31 Guevorguian P, Chinnery T, Lang P. et al. External validation of a CT-based radiomics signature in oropharyngeal cancer: Assessing sources of variation. Radiother Oncol 2023; 178: 109434
• 32 Contaldo MT, Pasceri G, Vignati G. et al. AI in Radiology: Navigating Medical Responsibility. Diagnostics 2024; 14: 1506
• 33 Traverso A, Wee L, Dekker A. et al. Repeatability and Reproducibility of Radiomic Features: A Systematic Review. Int J Radiat Oncol Biol Phys 2018; 102: 1143-1158
• 34 Huisman M, Akinci D’Antonoli T. What a Radiologist Needs to Know About Radiomics, Standardization, and Reproducibility. Radiology 2024; 310: e232459
• 35 Salastekar NV, Maxfield C, Hanna TN. et al. Artificial Intelligence/Machine Learning Education in Radiology: Multi-institutional Survey of Radiology Residents in the United States. Academic Radiology 2023; 30: 1481-1487
• 36 Seng M, Breit H-C, Hehenkamp P. et al. Counting coins in the dark-Austrian, German, and Swiss medical students’ perceptions of radiology. Eur Radiol 2025; 35: 5440-5449
• 37 Hoffmann E, Ristow I. Shining light on the future of radiology: Addressing medical students’ perceptions. Eur Radiol 2025; 35: 5437-5439
• 38 Mikuteit M, Just I, Steffens S. Evaluation of the National Competence Based Catalogue of Learning Objectives (NKLM 2.0) for undergraduate medical education at the Medical School Hannover. GMS J Med Educ 2023; 40: Doc68
• 39 Lindqwister AL, Hassanpour S, Levy J. et al. AI-RADS: Successes and challenges of a novel artificial intelligence curriculum for radiologists across different delivery formats. Front. Med. Technol 2023; 4: 1007708
• 40 Cucchiara F, Petrini I, Romei C. et al. Combining liquid biopsy and radiomics for personalized treatment of lung cancer patients. State of the art and new perspectives. Pharmacol Res 2021; 169: 105643
• 41 Coakley S, Young R, Moore N. et al. Radiographers’ knowledge, attitudes and expectations of artificial intelligence in medical imaging. Radiography 2022; 28: 943-948
• 42 Lång K, Josefsson V, Larsson A-M. et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): A clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol 2023; 24: 936-944
• 43 Hernström V, Josefsson V, Sartor H. et al. Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI): A randomised, controlled, parallel-group, non-inferiority, single-blinded, screening accuracy study. Lancet Digit Health 2025; 7: e175-e183
• 44 Nam JG, Hwang EJ, Kim J. et al. AI Improves Nodule Detection on Chest Radiographs in a Health Screening Population: A Randomized Controlled Trial. Radiology 2023; 307: e221894
• 45 Wang C, Shao J, He Y. et al. Data-driven risk stratification and precision management of pulmonary nodules detected on chest computed tomography. Nat Med 2024; 30: 3184-3195

Publication History

Received: 15 June 2025

Accepted after revision: 04 November 2025

Article published online:
17 December 2025