X - P O gen bei komplexeren Szenarien, die wei- tere Optimierung erforderlich machen, so Avesani. Insgesamt stellte die Studie heraus, dass GPT-4 vor allem bei Erstbe- wertungen hilfreich sein kann, jedoch nur als ergänzendes Werkzeug verstanden werden sollte. Optimierte Datenanalysen und Arbeitsabläufe Michael Corbin, MD, präsentierte die Studie „LLM, the Future Replacement of Radiology Retrospective Research?“, die sich mit der Leistungsfähigkeit von GPT-4 in der automatisierten Analyse von Radiologieberichten beschäftigte. Der Fokus von Corbin und seinen Kol- legen bei der Untersuchung lag auf der Diagnose thorakaler Aortenaneurys- men (TAA). GPT-4 zeigte einerseits eine beeindruckende Sensitivität von 97 %, andererseits jedoch eine deutlich gerin- gere Spezifität von 30 %. Im Vergleich zu manuellen Analysen konnte GPT-4 den- noch 90 % der Patienten korrekt klassi- fizieren, während der Wert bei manuel- len Methoden bei 74 % lag. Die Studie zeigte das Potenzial von GPT-4 für die retrospektive Forschung auf, machte aber auch die Notwendigkeit deutlich, extrahierte Daten zu validieren und die Prozesse weiter zu optimieren. Ein weiterer innovativer Ansatz wurde von Elaine Kim mit der Studie „Fine-Tuned LLM for Accurate Breast Pathology Information Extraction“ vor- gestellt. Sie zeigte in ihrem Vortrag, dass feinjustierte Sprachmodelle, wie Mis- tral-7B-Fine-Tuned, bei der Extraktion von Daten aus Brustpathologieberich- ten eine erstaunlich hohe Genauig- keit aufweisen. Die Modelle erreichten eine Genauigkeit von 98,8 % bei der Gewebequelle und 95,9 % bei der Dia- gnosekategorie. Interessant war, dass diese feinjustierten Modelle kommer- zielle Alternativen nicht nur in Sachen Effizienz, sondern auch bei den Kosten übertrafen. Gleichzeitig wies Kim dar- auf hin, dass die Untersuchung auch ergab, dass die Studienergebnisse nur begrenzt generalisierbar sind, weil die Daten ausschließlich von einer einzigen Institution stammten. Abschließend präsentierte Mar- tin Segeroth, MD, BSc, die Studie mit dem Titel „Leveraging Fine-Tuned LLM for Automated Protocoling of CT Exami- nations“. Er und sein Team haben die Automatisierung der CT-Protokollierung anhand von über 120.000 CT-Datensät- zen aus den Bereichen Abdomen und Kardio-Thorax analysiert. Das Ergebnis: Feinjustierte Modelle, wie BioMistral-7B, zeigen eine deutlich höhere Genauigkeit als herkömmliche neuronale Netzwerke. Bei spezifischen Untersuchungen, wie etwa „Unenhanced Kidney Stone CT“, erreichten die Modelle beeindruckende 96 % Genauigkeit. Diese Ergebnisse unterstreichen das Potenzial von LLMs, Arbeitsabläufe in der Radiologie zu standardisieren und zu optimieren. Perspektiven für die Radiologie der Zukunft Die fünf vorgestellten Studien verdeut- lichen eindrucksvoll die vielfältigen Möglichkeiten, die KI in der Radiologie bietet. Von verbesserter Patienten- kommunikation über optimierte Daten- analysen bis hin zu automatisierten Protokollierungen reichen die Anwen- dungsmöglichkeiten in nahezu jeden denkbaren Bereich. Gleichzeitig wird deutlich, dass KI keine einfache und vor allem noch keine perfekte Lösung darstellt. Zunächst gilt es, noch beste- hende Herausforderungen, wie Daten- qualität, Validierung und technische Optimierung, zu überwinden, bevor eine flächendeckende Integration in die klinische Praxis erfolgen kann. Die auf der RSNA 2024 vorgestellten Ansätze zeigen jedoch auch sehr eindeutig auf, dass KI die Zukunft der Radiologie ent- scheidend mitgestalten wird. Miriam Mirza www.rsna.org größtes Deutschlands Befundernetz – schnell, sicher, zertifiziert! Ihr Netzwerk für Teleradiologie Wir befunden, wenn Sie Feierabend haben, in der Nacht, am Wochenende und an Feiertagen. www.diagnostic-network.de reif & möller 51 RadMag · 1-2025 NETZWERK FÜR TELERADIOLOGIE