Medizinische Scans: Vier KI-Studien zeigen neue 3D-Analysen mit Vorbehalt
Veröffentlicht am: 02.10.2026 um 09:54 Uhr | Redaktion boerse-global.de
Künstliche Intelligenz verändert zunehmend die Auswertung routinemäßiger medizinischer Scans. Mehrere aktuelle Studien aus unterschiedlichen Fachgebieten zeigen, wie KI-Systeme einfache Aufnahmen in detaillierte 3D-Analysen umwandeln und dabei menschliche Kapazitäten in der Forschung ergänzen – mancherorts auch ersetzen sollen.
Die Entwicklungen reichen von der Osteoporose-Diagnostik über Krebsvorhersagen bis zur Rekonstruktion von CT-Bildern ganz ohne klassische Referenzaufnahmen.
Knochen- und Muskelanalyse per 3D-Modell
Eine im Journal of Advanced Research veröffentlichte Studie beschreibt das Modell UNet3D, das CT- und MRT-Aufnahmen von Osteoporosepatienten analysiert und Wirbelkörper sowie paraspinale Muskeln quantifiziert. Grundlage war eine Kohorte von 410 Patienten im Alter von 55 bis 75 Jahren mit insgesamt 2.460 Wirbelkörpern, ergänzt durch eine externe Testgruppe von 30 Patienten.
Im internen Test erreichte das Modell bei CT-Aufnahmen einen mIoU-Wert von 0,760 und eine Pixelgenauigkeit von 0,984, bei MRT-Aufnahmen lagen die Werte bei 0,724 beziehungsweise 0,973. Im externen Test sanken die mIoU-Werte leicht auf 0,741 (CT) und 0,713 (MRT).
Die aus CT-Daten ermittelten Hounsfield-Einheiten der Wirbel L1 bis L4 korrelierten zudem stark mit den T-Scores der DXA-Knochendichtemessung (r=0,85–0,93). Die Autoren betonen jedoch, dass es sich um eine retrospektive Studie handelt und eine klinische Validierung noch aussteht.
Krebsvorhersage aus MRT-Daten
Forschende aus China stellten in BMC Medical Imaging ein Modell vor, das aus MRT-Radiomics und einer Tumor-Habitat-Analyse das Risikoprofil des MammaPrint-Tests vorhersagt.
Die retrospektive Zwei-Zentren-Studie umfasste 156 Patientinnen mit hormonrezeptor-positivem, HER2-negativem Brustkrebs. Das verwendete ExtraTrees-Modell erreichte einen AUC-Wert von 0,931 im Trainingssatz, 0,896 bei der internen Validierung und 0,877 im externen Test; die Kalibrierung lag bei p-Werten von 0,267, 0,491 und 0,892 für die jeweiligen Datensätze. Vor einem klinischen Einsatz sei jedoch eine prospektive Validierung in größeren und vielfältigeren Kohorten erforderlich, so die Autoren.
CT-Rekonstruktion ohne Referenzbilder
Ein Team der Universität Lübeck und des Fraunhofer IMTE berichtete in BMC Medical Imaging über ein unüberwachtes Verfahren zur CT-Bildrekonstruktion, das direkt aus Messdaten und dem physikalischen Modell des Scanners lernt – ohne auf sogenannte Ground-Truth-Bilder angewiesen zu sein.
Vier aktuelle Studien zeigen, wie KI aus Routine-Scans detaillierte 3D-Analysen erzeugt — von Wirbelkörpern über Tumorbiologie bis zu Netzhaut-Dickenkarten. In drei Schritten ordnen Sie ein, welche Ergebnisse belastbar sind und wo die klinische Validierung noch aussteht. Kostenlosen Leitfaden zur klinischen Validierung anfordern
Im 2D-Datensatz 2DeteCT erreichte die Methode eine Bildqualität, die mit gefilterter Rückprojektion, Maximum-Likelihood-Rekonstruktion und einem vergleichbar großen überwachten Netzwerk konkurrieren konnte.
Gegenüber der Einzelbild-Methode Deep Image Prior erzielte das Verfahren laut den Autoren eine rund 10.000-fache Beschleunigung. Bislang wurde die Methode nur in zwei Dimensionen getestet, eine Validierung in 3D ist geplant.
Netzhautanalyse aus Fundusfotos
Forschende der Universität Teheran und der Shahid-Beheshti-Universität präsentierten in BMC Medical Imaging ein anatomisch geführtes Diffusionsmodell namens AC-LDM, das aus einfachen Farbfundusfotos Netzhaut-Dickenkarten erzeugt.
Im Vergleich zu bestehenden Modellen erreichte es einen PSNR-Wert von 30,88 dB, einen SSIM-Wert von 0,871, einen LPIPS-Wert von 0,105 und einen FID-Wert von 29,5. Die Autoren fordern jedoch eine klinische Validierung mit spezifischen Dickenfehlermaßen, bevor die erzeugten Karten tatsächlich Behandlungsentscheidungen unterstützen können – aktuell handle es sich um reine Forschungsarbeit.
Gemeinsamer Nenner: Potenzial mit Vorbehalt
Die vier Studien zeigen ein wiederkehrendes Muster: KI-Modelle liefern in kontrollierten Testumgebungen beachtliche Ergebnisse bei der Umwandlung klassischer Scans in detaillierte Analysen – seien es Knochenstruktur, Tumorbiologie, Rohmessdaten oder Netzhautgewebe.
Retrospektive Daten, kleine externe Kohorten, 3D-Tests noch offen: Wer KI-Modelle für die Bildgebung bewerten muss, braucht eine Prüfliste statt Studienschlagzeilen. Der Leitfaden führt durch die Validierungsschritte, die alle vier Forschungsgruppen noch als ausstehend benennen. Prüfliste für KI-Bildgebungsstudien jetzt sichern
Zugleich betonen alle beteiligten Forschungsgruppen übereinstimmend, dass es sich bislang um retrospektive beziehungsweise experimentelle Arbeiten handelt. Prospektive, klinisch validierte Studien an größeren und diverseren Patientengruppen stehen in allen vier Fällen noch aus, bevor die Verfahren in der Routineversorgung ankommen könnten.
