Interview: Radiologie muss sich neu erfinden
/ RT-Redaktion / Interview
Im Interview spricht Jan Beger, Global Head of AI Advocacy bei GE Healthcare mit Redakteur Sven C. Preusker unter anderem über die Entwicklungen der letzten Jahre im KI-Bereich, über die daraus entstehenden Herausforderungen für die Radiologie und über deren Zukunft.
Herr Beger, Künstliche Intelligenz ist inzwischen allgegenwärtig – in der Radiologie allerdings schon deutlich länger als in vielen anderen Bereichen. Wie hat sich KI in den vergangenen Jahren entwickelt und wo stehen wir heute?
Die Radiologie hatte in den letzten Jahrzehnten eine klare Führungsrolle bei Innovation und KI-Adoption. Gleichzeitig sehen wir aber ein großes Delta zwischen den verfügbaren KI-Lösungen und dem, was tatsächlich im klinischen Alltag eingesetzt wird. Das gilt sowohl in Deutschland als auch weltweit.
Ein wesentlicher Punkt ist: Die bisherigen KI-Anwendungen waren stark auf ,Computer Vision' fokussiert – also auf die Analyse einzelner Bilder mit klar umrissenen Fragestellungen, etwa das Erkennen von Lungenknoten im CT. Das funktioniert gut, ist aber sehr spezialisiert.
Heute erleben wir einen Paradigmenwechsel. Mit sogenannten ,Foundation Models' und agentischer KI kommen wir in Richtung Multimodalität. Das heißt: KI kann verschiedene Datentypen zusammenführen – Bilddaten, Patientenhistorie, Laborwerte, klinische Fragestellungen – und darauf basierend fundiertere Entscheidungen treffen.
Das eröffnet neue Möglichkeiten, auch über die Radiologie hinaus. Gleichzeitig entsteht für die Radiologie die Herausforderung, ihre Führungsrolle zu behaupten und neue Anwendungsfelder aktiv zu gestalten.
Könnten Radiologen und MTRs dabei auch eine Art Vorreiterrolle für andere Fachrichtungen übernehmen?
Absolut. Die Radiologie hat bereits viel Erfahrung im Umgang mit KI gesammelt – inklusive der „Lessons Learned“. Dieses Wissen kann genutzt werden, um andere Fachbereiche bei der Einführung sinnvoller KI-Anwendungen zu unterstützen, etwa im Sinne von Best Practices oder bei der Vermeidung typischer Fehlerquellen.
Sie haben das Delta zwischen Angebot und tatsächlicher Nutzung angesprochen. Woran liegt das? Was macht eine wirklich gute, klinisch relevante KI aus?
In den vergangenen Jahren hat die Industrie vor allem punktuelle Lösungen entwickelt – für sehr spezifische Probleme. Das Beispiel Lungenknotendetektion zeigt das gut: technisch leistungsfähig, aber oft mit begrenztem klinischem Mehrwert im Gesamt-Workflow.
Hinzu kommt: Viele dieser Systeme erzeugen zusätzliche Alarme oder müssen als separate Tools in bestehende IT-Strukturen integriert werden. Das erhöht die Komplexität und kann sogar zusätzliche Belastung erzeugen.
Der entscheidende Fortschritt heute liegt darin, dass wir mit neuen KI-Ansätzen ganzheitlichere Workflows adressieren können. Medizin ist per se multimodal – mit einer Vielzahl strukturierter und unstrukturierter Daten. Diese Komplexität war lange ein Hindernis, wird jetzt aber zur Chance.
Ein Radiologe betrachtet ja nicht nur Bilder, sondern bezieht Kontextinformationen ein. Genau diesen Entscheidungsprozess kann moderne KI zunehmend abbilden – und damit die Diagnostik qualitativ verbessern.
Ein großes Thema ist die Arbeitsbelastung. Wie kann KI konkret zur Entlastung beitragen?
Die Arbeitsverdichtung in der Radiologie ist erheblich, die Belastung deutlich gestiegen – bei gleichzeitig begrenztem Personalwachstum. Das betrifft Radiologinnen und Radiologen ebenso wie MTRs.
Bisher lag der Fokus stark auf der Bildanalyse. Künftig müssen wir stärker die sogenannten „Non-Pixel-Bereiche“ adressieren – also Prozesse und Workflows rund um die Bildgebung. Hier liegt enormes Automatisierungspotenzial.
Ein Beispiel ist die Triage: Im Mammografie-Screening sind über 90 Prozent der Fälle unauffällig. Wenn KI zuverlässig normale Fälle vorab identifizieren kann, könnten Radiologen ihre Zeit gezielt auf auffällige oder komplexe Fälle konzentrieren.
Es gibt auch die Sorge, dass der zunehmende KI-Einsatz die Ausbildung beeinträchtigen könnte. Wie sehen Sie das?
Das ist kein rein radiologisches Problem, sondern betrifft viele Branchen. Die zentrale Frage ist: Wie vermitteln wir weiterhin die Grundlagen, wenn KI viele Aufgaben übernimmt?
Ein wichtiger Ansatz ist AI Literacy – also die Fähigkeit, KI kompetent zu nutzen, kritisch zu hinterfragen und Ergebnisse einzuordnen. Gerade in der Medizin ist es essenziell, KI-Ergebnisse erklären und kommunizieren zu können.
KI sollte daher fester Bestandteil der Ausbildung werden – nicht nur im Medizinstudium, sondern perspektivisch auch früher im Bildungssystem.
Gleichzeitig bleibt die Verantwortung beim Menschen. Bedeutet das nicht zusätzlichen Aufwand, wenn jeder KI-Befund validiert werden muss?
Kurzfristig ja. Langfristig könnten sich jedoch neue Modelle entwickeln, etwa in Richtung ,Shared Liability' – aber das noch Zukunftsmusik. Unabhängig davon wird sich der Workflow verändern: KI wird zunehmend Befundentwürfe erstellen. Radiologinnen und Radiologen werden diese prüfen, anpassen und freigeben. Um diese Rolle ausfüllen zu können, bleiben fundierte Fachkenntnisse unverzichtbar.
Wie wird sich das Berufsbild in der Radiologie insgesamt verändern?
Radiologinnen und Radiologen sollten sich aktiv mit ihrer zukünftigen Rolle auseinandersetzen. Teile der diagnostischen Arbeit haben ein hohes Automatisierungspotenzial.
Mögliche Entwicklungen sind:
- stärkere Fokussierung auf interventionelle Radiologie
- beratende Funktionen für andere Fachbereiche
- Erweiterung in angrenzende Disziplinen wie Pathologie
- Entwicklung hin zu ,holistischen Diagnostikern', die verschiedene Datenquellen integrieren
- Die Radiologie wird sich in Teilen neu erfinden müssen – und genau darin liegt auch eine große Chance.
Vielen Dank für das Gespräch.
Dieser Beitrag stammt aus dem Newsletter Radiologie 02/2026. Melden Sie sich hier kostenlos an, um keine News aus der Branche mehr zu verpassen!
