Die Prognose des Nobelpreisträgers und KI-Pioniers Geoffrey Hinton aus dem Jahr 2016, dass Radiologen innerhalb von fünf Jahren durch Computer ersetzt würden, hat sich nicht bewahrheitet. Stattdessen wächst die Zahl der Fachkräfte in der Radiologie stetig, mit einer erwarteten Zunahme von mindestens 26 Prozent in den nächsten drei Jahrzehnten.
KI im Einsatz und ihre Wirkung
Die Radiologie hat sich als führendes Feld für die Anwendung von Künstlicher Intelligenz (KI) in der Medizin etabliert. Bis Anfang 2026 waren etwa drei Viertel der 1.400 von der US-amerikanischen Food and Drug Administration (FDA) zugelassenen KI-gestützten Medizinprodukte für radiologische Anwendungen bestimmt.
KI-Systeme unterstützen Radiologen, indem sie beispielsweise Berichte vorformulieren oder auf dringend zu prüfende Bilder hinweisen. Darüber hinaus können sie die menschliche Diagnoseleistung verbessern, indem sie Anomalien erkennen, die für das menschliche Auge nicht sichtbar sind, oder Bilder ebenso gut, teilweise sogar besser, interpretieren als ausgebildete Radiologen. Eine Analyse von 43 klinischen Studien zeigte beispielsweise, dass KI-assistierte Koloskopien mehr Polypen aufdecken als herkömmliche Verfahren.
Die Herausforderung der Zusammenarbeit
Die Verbesserung der diagnostischen Genauigkeit ist von großer Bedeutung, da die durchschnittlichen menschlichen Fehlerraten bei der Interpretation medizinischer Bilder auf 3 bis 5 Prozent geschätzt werden, was weltweit etwa 40 Millionen Fehler pro Jahr bedeutet. Die Lösung liegt jedoch nicht im vollständigen Ersatz von Menschen durch Maschinen.
Zehn Jahre nach Hintons Prognose stellt sich die Frage nicht mehr, ob Menschen oder KI statistisch besser sind, sondern wie die technische Präzision der KI mit der Erfahrung und Flexibilität des Menschen zum Wohl der Patienten kombiniert werden kann.
„Black-Box“-Systeme und neue Anforderungen an Ärzte
Die Gestaltung eines solchen kollaborativen Systems ist komplex. Selbst wenn KI bei der Interpretation bestimmter Bilder im Durchschnitt zuverlässiger ist als ein erfahrener Radiologe, wird sie dennoch Fehler machen, die Menschen nicht begehen würden, erklärt Radiologe Curtis Langlotz, Direktor des Zentrums für Künstliche Intelligenz in der Medizin und Bildgebung an der Stanford University. Dies erfordert von Radiologen, jede KI-Entscheidung zu bewerten – wobei die überwiegende Mehrheit korrekt sein wird – und die seltenen Fälle zu identifizieren, in denen der Algorithmus falsch lag. Paul Yi, Sektionsleiter für intelligente Bildgebungs-Informatik am St. Jude Children’s Research Hospital, bezeichnet dies als eine „völlige Neuausrichtung des Denkens“.
Während Ärzte seit Jahrzehnten daran gewöhnt sind, computergestützte Warnungen zu überstimmen – wie etwa bei Medikamentenwechselwirkungen, die in etwa der Hälfte der Fälle ignoriert werden –, sind moderne KI-Bildanalysesysteme in der Radiologie anders aufgebaut. Sie basieren oft auf neuronalen Netzen, die Tumorsubtypen identifizieren oder Läsionsgrenzen mit hoher Genauigkeit bestimmen können.
Im Gegensatz zu regelbasierten Algorithmen, die nachvollziehbare Antworten liefern, gelten neuronale Netze als „Black-Box“-Systeme. Sie legen in der Regel nicht offen, wie sie zu einer Entscheidung gekommen sind, was es für Radiologen schwieriger macht, eine Korrektur oder Ablehnung zu begründen.
Unterschiedliche Intelligenzen und menschliche Faktoren
Curtis Langlotz verdeutlicht den Unterschied mit einem Beispiel: Eine theoretische KI erkennt 95 Prozent der Lungenrundherde in einem CT, während Radiologen 90 Prozent finden. Obwohl die KI scheinbar überlegen ist, wird der Radiologe einen Teil der 5 Prozent entdecken, die von der Maschine übersehen wurden. Dies liegt daran, dass maschinelle und menschliche Intelligenz unterschiedliche Formen der Intelligenz darstellen.
KI kann jedes Pixel eines Bildes ermüdungs- und ablenkungsfrei untersuchen und mit allen zuvor gesehenen Bildern vergleichen. Radiologen hingegen interpretieren Bilder durch ihr Verständnis von Krankheiten auf eine Weise, die KI nicht leisten kann. Nina Kottler, Chief Medical AI Officer bei Mosaic Clinical Technologies, betont die Herausforderung, sicherzustellen, dass Radiologen die KI immer dann akzeptieren, wenn sie richtig liegt, und sie immer dann ablehnen, wenn sie falsch liegt. Um optimal mit diesen Systemen zu arbeiten, müssen Radiologen sowohl die allgemeine Zuverlässigkeit der KI einschätzen als auch ihre Fehler erkennen können. Dies erfordert auch den Umgang mit unbewussten Vorurteilen, die zu übermäßiger Abhängigkeit oder unangemessener Ablehnung führen können.
Fehlerarten und Automatisierungsverzerrung
Bei der Interpretation medizinischer Bilder können zwei Arten von Fehlern auftreten: Ein falsch negatives Ergebnis übersieht eine vorhandene Krankheit, während ein falsch positives Ergebnis eine Krankheit annimmt, die nicht existiert.
Bei seltenen Krankheiten – die meisten Krankheiten sind relativ selten – neigt jede Diagnose dazu, viele falsch positive Ergebnisse zu liefern, da sie viele gesunde Personen untersucht und somit mehr Gelegenheiten für Fehlalarme bietet. Ärzte müssen in der Lage sein, diese falsch positiven Ergebnisse zu erkennen und zu überstimmen, während sie gleichzeitig die relativ seltenen, korrekten Diagnosen der Maschine identifizieren. Ein übermäßiges Vertrauen in die Ergebnisse der Maschine – ob positiv oder negativ – wird als Automatisierungsverzerrung bezeichnet. Gleichzeitig ist es entscheidend, falsch negative Ergebnisse zu vermeiden, wie beispielsweise wenn ein KI-System das Vorhandensein von Blut im Gehirn auf einem CT- oder MRT-Scan übersieht.
Thema: Technologie / KI allgemein. Quelle/Inspiration: Ars Technica.