Die Anwendung von künstlicher Intelligenz (KI) in der medizinischen Bildgebung hat in den letzten Jahren enorme Fortschritte gemacht. Besonders generative KI-Technologien eröffnen neue Möglichkeiten, um synthetische Bilddatensätze zu erzeugen, die für die Entwicklung diagnostischer Systeme genutzt werden können. Forschende der Medizinischen Universität Wien (MedUni Wien) haben in einer internationalen Zusammenarbeit eine generative KI entwickelt, die medizinische Bilddaten synthetisch erzeugt und verarbeitet. Die Ergebnisse dieser Forschung zeigen, dass durch den Einsatz künstlicher Bilddaten die Genauigkeit diagnostischer KI-Systeme erheblich verbessert werden kann.
Warum synthetische Bilddaten?
Der Erfolg von KI-Modellen in der medizinischen Diagnostik hängt stark von der Qualität und Menge der Trainingsdaten ab. In der Praxis sind medizinische Datensätze jedoch oft begrenzt, sei es durch Datenschutzbestimmungen, die geringe Verfügbarkeit von Daten zu seltenen Erkrankungen oder die Unterrepräsentation einzelner Subgruppen. Ein Mangel an diversifizierten Trainingsdaten kann dazu führen, dass KI-Modelle verzerrte oder ungenaue Vorhersagen treffen. Die Erzeugung synthetischer Bilddatensätze mittels generativer KI bietet eine innovative Lösung für dieses Problem. Durch gezielte Generierung können Datensätze erweitert und diversifiziert werden, ohne auf patientenbezogene Informationen zurückgreifen zu müssen.
Die Studie der MedUni Wien
Ein Forschungsteam der Klinischen Abteilung für Nuklearmedizin an der Universitätsklinik für Radiologie und Nuklearmedizin der MedUni Wien untersuchte die Möglichkeiten generativer KI in einer aktuellen Studie. Hierfür wurde ein KI-Modell mit mehr als 9.000 klinischen Routine-Scans aus der Szintigrafie-Ambulanz trainiert. Anschließend erzeugte die KI einen synthetischen Bilddatensatz, der die charakteristischen Merkmale realer medizinischer Bilddaten abbildet, ohne jedoch patientenbezogene Informationen zu enthalten.
Künstliche Bilddaten mit hoher diagnostischer Qualität
Die Qualität der synthetischen Bilddaten wurde durch vier unabhängige Ärzte und Ärztinnen geprüft. Dabei zeigte sich, dass zwischen den generierten und realen Bilddaten kein sichtbarer Unterschied erkennbar war. Ein weiteres Team der Universität Brescia validierte diese Daten in einer unabhängigen Untersuchung. Hier wurde ein KI-System zur Detektion von Patient:innen mit Verdacht auf kardiale Amyloidose oder Knochenmetastasen entwickelt. Dieses Modell wurde mit den synthetischen Bilddaten aus Wien trainiert und anschließend mit realen Daten von mehr als 6.000 Patient:innen aus vier unabhängigen Institutionen in Europa und Asien getestet. Die Ergebnisse waren beeindruckend: Durch die Integration der künstlich erzeugten Daten konnte die diagnostische Genauigkeit des KI-Systems erheblich gesteigert werden.
Datenschutzfreundliche Innovation
Einer der größten Vorteile generativer KI in der medizinischen Bildgebung liegt im Schutz sensibler Patient:innendaten. Da die erzeugten Bilder keine realen Patient:innen abbilden, sind sie ohne Datenschutzrisiken für die Forschung und Entwicklung neuer KI-gestützter Diagnoseverfahren nutzbar. „Ein wesentlicher Vorteil dieser Technologie liegt im Schutz der Patient:innendaten: Da die generierten Bilder keine realen Patient:innen abbilden, können sie ohne Datenschutzrisiken für die Forschung und Entwicklung neuer AI-gestützter Diagnoseverfahren genutzt werden“, erklären David Haberl und Clemens Spielvogel vom Studienteam der MedUni Wien.
Zukunftsperspektiven
Die Möglichkeiten, die generative KI in der medizinischen Bildgebung bietet, sind vielversprechend. Neben der Datenschutzfreundlichkeit können künftig auch Datensätze gezielt erweitert werden, um die Genauigkeit von KI-Modellen für unterrepräsentierte Patient:innengruppen zu verbessern. Diese Technologie könnte damit langfristig dazu beitragen, die Präzision und Effizienz von KI-gestützter Diagnostik zu steigern und eine gerechtere, besser zugängliche Gesundheitsversorgung zu ermöglichen.
Die Ergebnisse der Studie wurden im „European Journal of Nuclear Medicine and Molecular Imaging“ veröffentlicht. Die Publikation ist unter folgendem Link abrufbar: https://doi.org/10.1007/s00259-025-07091-8.