Monthly Archives: März 2026

Wir brauchen verlässliche AI-Assistenten in der Neurologie und Traumatologie. Ein neues Werkzeug für die native Schädel-CT hilft bei der Erkennung akuter und chronischer Läsionen.

Mit grosser Freude präsentieren wir Ihnen Harrison CT Brain, einen AI-Assistenten für CT-Untersuchungen des Schädels.

Wie Harrison Brain CT arbeitet

Der AI-Assistent berichtet akute und chronische intrakranielle Prozesse in nativen CT-Untersuchungen. In Tabellen werden die Läsionen mit Fokus auf ihre Akuität gelistet. Die meisten, jedenfalls die akuten, Pathologien werden als Farbmarkierungen direkt in die CT-Bilder eingezeichnet.

Jeder Mediziner kann Harrison CT Brain durch den raschen und einfachen Upload von CT-Studien des Neurokraniums auf Radailogy einsetzen.

Wer profitiert

Patienten, Kliniker und Radiologen durch die detaillierte Auslistung von Pathologien des Schädels mit Tabellen und der direkten Darstellung in CT-Bildern.

Unsere eigene Erfahrung bei Radailogy

In unserer ersten Testreihe sahen wir präzise Ergebnisse insbesondere für akute intrakranielle Blutungen und Frakturen des Gesichts- und des Gehirnschädels. Wir fanden die Differenzierung der akuten von chronischen Parenchymläsionen ermutigend. Unsere Daten zur Sensitivität und Spezifität von jeweils etwa 80 % für akute Blutungen waren mit jenen der verfügbaren Publikationen vergleichbar. Die vom Hersteller angegebene Liste von 130 erkennbaren Pathologien muss in grösseren Studien getestet werden. Auch die Entscheidung, den AI-Assistenten als Triage-Tool in der Teleradiologie einzusetzen, bedarf einer umfassenden Datenlage. Wir unternehmen eine solche prospektive Studie in diesem Moment. Wir halten Sie auf dem Laufenden.

Die wissenschaftliche Evidenz

Hillis JM, Bizzo BC, Newbury‐Chaet I, Mercaldo SF, Chin JK, Ghatak A, Halle MA, L’Italien E, et al. Evaluation of an Artificial Intelligence Model for Identification of Intracranial Hemorrhage Subtypes on Computed Tomography of the Head. Stroke Vasc Interv Neurol. 2024 May 16;4(4):e001223

Daten zum Upload auf Radailogy

Native CT-Untersuchungen des Schädels jeden CT- Geräteherstellers für Patienten älter als 18 Jahre, axiale Reformationen, Schichtdicke höchstens 1,5 mm, Weichteil-Rekonstruktionskernel

Zweck:

Ziel der Studie war es, die Performance eines gängigen AI-Assistenten bei Frakturen der Arme und Beine prospektiv zu bestimmen, validiert mit den Akutbefunden von in der Traumaradiologie spezialisierten Radiologen sowie bildgebendem und klinischem Follow up.

Patienten, Material und Methoden:

Ende des Jahres 2025 wurden 140 Patienten (Alter: 18 bis 81 Jahre, Mittel: 42 Jahre, Standardabweichung: ± 20 Jahre), die mit dem Verdacht auf eine akute Fraktur der Arme oder Beine zur Befundung von Radiographien des peripheren Skeletts (58 Radiographien der Arme und 82 der Beine) an ERS Emergency Radiology Schueller, einem Anbieter teleradiologischer Dienste überwiesen worden waren, über zwölf aufeinanderfolgende Wochen randomisiert und prospektiv in die Studie aufgenommen. Die Radiographien dieser Patienten wurden mit dem AI-Assistenten BoneView (Gleamer, Saint-Mandé, Frankreich) ausgewertet. Die Radiologen beurteilten die Radiographien, ohne die AI-Ergebnisse im Vorfeld zu kennen, und verglichen die radiologischen Befunde in einem zweiten Schritt mit den AI-Ergebnissen. Als Goldstandard galten die radiologischen Befunde sowie das bildgebende und klinische Follow up. Bei Diskrepanzen zwischen den radiologischen Befunden und den AI-Ergebnissen wurden die Radiographien spätestens innerhalb von 30 Minuten einer Zweitbefundung unterzogen.

Ergebnisse:

Von 140 Patienten konnten 2 AI-Ergebnisse, jeweils eines der Arme und der Beine, nicht abgerufen werden. Für 138 Patienten diagnostizierten Radiologen und das klinische Follow 66 akute Frakturen (47 %), davon 18 Frakturen der Arme von 57 Patienten (31,5 %; gesamt 13 %) sowie 48 Frakturen der Beine (59,2 %; gesamt 34 %) von 81 Patienten. Die Ergebnisse des AI-Assistenten sind für Frakturen der Arme in Tabelle A und für Frakturen der Beine in Tabelle B aufgeführt. Tabelle C gibt das Gesamtergebnis an; richtig positive (TP), falsch positive (FP), falsch negative (FN) und richtig negative (TN) Ergebnisse in absoluten Zahlen; Sensitivität, Spezifität, positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV) in Prozent.

Bei akuten Frakturen der Arme wurden 2 FP des proximalen Radius und des Scaphoids beobachtet (Alter 78 bzw. 65 Jahre). Es wurden 2 FN bei schmalen Aufhellungslinien der distalen Clavicula bzw. der posterioren Humeruskopfzirkumferenz beobachtet, welche im radiologischen und klinischen Follow up als Frakturen bestätigt wurden.

Bei akuten Frakturen der Beine wurden 4 FP des Schenkelhalses, des Trochanter major (Alter: 71 bzw. 80 Jahre), des lateralen Tibiaplateaus (Alter: 52 Jahre) und des Os naviculare (Alter: 76 Jahre) beobachtet. Dreizehn FN beinhalteten schmale Avulsionen des Talus (Alter: 49 bis 73 Jahre), unverschobene Weber A-Frakturen der distalen Fibula (Alter 28 bis 46 Jahre), eine minimale Fraktur des Os naviculare (Alter 25 Jahre) und eine schmale, subtrochantäre Avulsion des proximalen Femur (Alter: 79 Jahre).

Tabelle C gibt das Gesamtergebnis an.

Diskussion:

Der AI-Assistent erbrachte 15 FN (10,9 %) und 6 FP (4,3 %) von 138 mit einer deutlich besseren Performance für akute Frakturen der Arme (FN und FP jeweils 3,5 %) als für akute Frakturen der Beine (FN 16 %, FP 4,9 %). Daher wird das Gesamtergebnis etwas nach unten korrigiert. Insbesondere erwies sich der AI-Assistent als sicher in der Differentialdiagnose periartikulärer Verkalkungen und von Gelenkergüssen. Die meisten FP wurden bei Patienten mit vorbestehenden Arthrosen beobachtet. Dislozierte Frakturen waren an am Armen und Beinen durchgehend TP.  Die Spezifität ist etwas geringer als jene Eindrücke, welche wir am 25.5.2023 auf dieser Plattform veröffentlichten. Die hohe Sensitivität ist vergleichbar (siehe https://www.radailogy.com/de/umfassende-ai-frakturdiagnostik-des-peripheren-skeletts/).

Zusammenfassend zeigt unsere Studie, dass der AI-Assistent bei akuten Frakturen des peripheren Skeletts, insbesondere der Arme, einen hohen Nutzen hat und dies insbesondere zur ersten Sichtung der Radiographien durch Unfallmediziner. Der AI-Assistent kann auch in der Teleradiologie, mit dem weiterhin notwendigen Doppelcheck durch erfahrene Traumaradiologen, erfolgreich eingesetzt werden.

Gerd Schueller und das Team von Radailogy

Zweck:

Ziel der Studie war es, die Performance eines AI-Assistenten bei akuten Bauchorganen prospektiv zu bestimmen, validiert mit den Akutbefunden von in der Notfallradiologie spezialisierten Radiologen sowie bildgebendem und klinischem Follow up.

Patienten, Material und Methoden:

Im Jahr 2025 wurden 200 Patienten (Alter: 18 bis 8 Jahre, Mittelwert: 55 Jahre, Standardabweichung: ± 15 Jahre), die mit dem Verdacht auf eine akute Erkrankung der Bauchorgane zur CT des Abdomen an ERS Emergency Radiology Schueller, einem Anbieter teleradiologischer Dienste überwiesen worden waren, über zehn aufeinanderfolgende Wochen randomisiert und prospektiv in die Studie aufgenommen. Die CT-Untersuchungen dieser Patienten wurden mit dem AI-Assistenten xAID (Dover, DE, USA) ausgewertet. Der AI-Assistent bot Beurteilungen für die akute Cholecystitis, akute Pankreatitis, akute Appendizitis und die akute Divertikulitis. Die Radiologen beurteilten die CT-Untersuchungen, ohne die AI-Ergebnisse im Vorfeld zu kennen, und verglichen die radiologischen Befunde in einem zweiten Schritt mit den AI-Ergebnissen. Als Goldstandard galten die radiologischen Befunde sowie das bildgebende und klinische Follow up. Bei Diskrepanzen zwischen den radiologischen Befunden und den AI-Ergebnissen wurden die CT-Untersuchungen spätestens innerhalb von 30 Minuten einer Zweitbefundung unterzogen.

Ergebnisse:

Von 200 Patienten konnten 54 AI-Ergebnisse nicht abgerufen werden. Für 146 Patienten diagnostizierten Radiologen und das klinische Follow 31 Patienten mit akuter Cholezystitis (21 %), 30 mit akuter Pankreatitis (20 %), 25 mit akuter Appendizitis (17 %) und 15 mit akuter Divertikulitis (10 %). Die Ergebnisse des AI-Assistenten sind für akute Cholezystitis in Tabelle A, für akute Pankreatitis in Tabelle B, für akute Appendizitis in Tabelle C und für akute Divertikulitis in Tabelle D aufgeführt; richtig positive (TP), falsch positive (FP), falsch negative (FN) und richtig negative (TN) Ergebnisse in absoluten Zahlen; Sensitivität, Spezifität, positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV) in Prozent.

Bei der akuten Cholezystitis wurde ein FP bei einem chirurgisch und histologisch bestätigten, ausgeprägten Hydrops und einer Verdickung der Gallenblasenwand beobachtet.

Bei der akuten Pankreatitis wurde ein FP ohne jegliche positive CT-Zeichen beobachtet. Zwei FN traten bei Patienten mit den CT-Zeichen einer beginnenden akuten Pankreatitis auf.

Bei der akuten Appendizitis wurde ein FP in einem radiologisch und klinisch unauffälligen Patienten festgestellt. Die beiden FN wurden bei einem Patienten mit eindeutig positiven CT-Befunden und klinischen Symptome beobachtet.

Bei der akuten Divertikulitis traten zwei FP aufgrund einer Fehlinterpretation einer reaktiven Mesenteritis bei akuter Cholezystitis auf. Ein FN trat bei einem Patienten mit schwerer Pancolitis (entzündliche Darmerkrankung) auf, die sich klinisch, pathologisch, histologisch und radiologisch deutlich von einer Divertikulitis unterschied. Alle vier FN betrafen das linksseitige Colon.

Tabelle E zeigt das Gesamtergebnis des AI-Assistenten für alle akuten Pathologien.

Für Patienten in einer State-of-the-art-Teleradiologie gilt, dass die Wahrscheinlichkeit einer positiven CT-Untersuchung für eine akute Erkrankung der Bauchorgane üblicherweise hoch ist.

Daher wurde in einem zweiten Schritt die Komplexität des akuten Abdomen sowohl im klinischen Bild als auch in der CT-Bildgebung berücksichtigt. Die Ergebnisse des AI-Assistenten wurden hierbei nicht nur als Ja/Nein-Antworten, sondern als behandlungsrelevante Befunde betrachtet. Die Ergebnisse bezüglich aller kritischen falsch positiven oder falsch negativen Differenzialdiagnosen sind in den Tabellen F bis I dargestellt.

Insbesondere wurde ein FP bei einem Patienten mit akuter Blinddarmentzündung und zwei FP bei Patienten mit akuter Pankreatitis beobachtet.

Man sah zwei FP akute Appendizitiden.

Hier spielten FP keine so große Rolle, da diese Patienten ohnehin operiert wurden.

Man sah eine FP akute Appendizitis.

Durch die Kulmination der jeweiligen Organresultate entsteht das Gesamtergebnis in Tabelle J.

Diskussion:

Unseres Wissens ist unsere Studie die erste, die abdominale CT und AI im Kontext akuter Erkrankungen der Bauchorgane untersucht. Im Vergleich zu Ärzten verfolgen AI-Entwickler tendenziell einen pragmatischeren Ansatz bei der Mustererkennung, Segmentierung und Beschreibung von Bauchorganen. Dieser AI-Assistent unterteilt die Bauchhöhle primär anhand von vier Hauptkriterien. Während sich solche Algorithmen zur Berechnung einzelner Parameter, wie beispielsweise einzelner Organe, als geeignet erweisen können, wird der Mangel an menschlicher Sensibilität für das Gesamtbild, insbesondere beim akuten Abdomen, deutlich. Vor allem bei der akuten Cholezystitis und akuten Appendizitis verschlechtern sich die Ergebnisse, wenn der AI-Assistent auf Therapieoptionen stratifiziert werden soll. Bei der akuten Appendizitis können die Gründe auch in der oft ungewöhnlichen Lage der Appendix liegen, insbesondere bei komplizierten abdominalen Fällen, was der häufigsten Situation in der Teleradiologie entspricht. Wichtig zu beachten ist, dass ein AI-Assistent nicht in der Lage ist, den Verlauf eines akuten Abdomen abzubilden, da sich die CT-Muster von einer lokalen Entzündung über eine regionale Phlegmone bis hin zu einer diffusen Peritonitis und Perforation verändern können.

Zusammenfassend sind die Ergebnisse des AI-Assistenten vielversprechend. Diese Studie unterstreicht die dringende Notwendigkeit einer kontinuierlichen und kompetenten Zusammenarbeit zwischen Radiologen und Softwareentwicklern, um klinisch relevante und leistungsstarke AI-Assistenten zu entwickeln.

Gerd Schueller und das Team von Radailogy

Zweck:

Ziel der Studie war es, die Performance eines gängigen AI-Assistenten bei Urolithiasis prospektiv zu bestimmen, validiert mit den Akutbefunden von in der Notfallradiologie spezialisierten Radiologen sowie bildgebendem und klinischem Follow up.

Patienten, Material und Methoden:

Ende des Jahres 2025 wurden 104 Patienten (Alter: 18 bis 90 Jahre, Mittel: 44 Jahre, Standardabweichung: ± 19 Jahre), die mit dem Verdacht auf Urolithiasis zur CT des Abdomen an ERS Emergency Radiology Schueller, einem Anbieter teleradiologischer Dienste überwiesen worden waren, über sechs aufeinanderfolgende Wochen randomisiert und prospektiv in die Studie aufgenommen. Die CT-Untersuchungen dieser Patienten wurden von einem gängigen, käuflich erwerblichen AI-Assistenten (xAID, Dover, DE, USA) ausgewertet. Die Radiologen beurteilten die CT-Untersuchungen, ohne die AI-Ergebnisse im Vorfeld zu kennen, und verglichen die radiologischen Befunde in einem zweiten Schritt mit den AI-Ergebnissen. Als Goldstandard galten die radiologischen Befunde sowie das bildgebende und klinische Follow up. Bei Diskrepanzen zwischen den radiologischen Befunden und den AI-Ergebnissen wurden die CT-Untersuchungen spätestens innerhalb von 30 Minuten einer Zweitbefundung unterzogen.

Ergebnisse:

Von 104 Patienten konnten 19 AI-Ergebnisse nicht abgerufen werden. Für 85 Patienten diagnostizierten Radiologen und das klinische Follow up 46 Konkremente der Harn ableitenden Wege, welche im Konsens als die Ursache für die akuten Beschwerden betrachtet wurden (54,1 %). Der AI-Assistent lieferte 46 richtig positive (TP), 1 falsch positive (FP), 15 falsch negative (FN) und 23 richtig negative (TN) Befunde; Sensitivität 0,754; Spezifität 0,958; positiver Vorhersagewert (PPV) 0,979; negativer Vorhersagewert (NPV) 0,605. Bei dem einen FP wurde ein Blasenkatheter mit einem Konkrement verwechselt. Die Konkrementgrösse von 22 FN war bis 4,4 mm und in einem FN 7 mm. Die Lokalisation der FN entlang der Harn ableitenden Wege ergab keine Signifikanz.

Diskussion:

Der AI-Assistent erbrachte 15 FN von 85 (27%), was darauf schliessen lässt, dass der Hersteller FN, wohl in Kenntnis der herausfordernden Beschreibung von Kronkrementen gleich oder kleiner 4 mm, zugunsten der Spezifität in Kauf nimmt. Immerhin wurden häufig im kleinen Becken vorhandene Phlebolithen nicht fehlgedeutet und die FP-Rate kommt jenen Ergebnissen gleich, welche wir am 28.3.2025 auf dieser Plattform veröffentlichten (vergleiche https://www.radailogy.com/de/nierensteine-schnell-und-zuverlassig-erkennen/). Verglichen mit den Publikationen des Herstellers (siehe auch: De Perrot T et al., Eur Radiol 2019) weichen die weiteren statistischen Daten allerdings zu Ungunsten unserer aktuellen Studie ab. Unsere Studie zeigt, dass der AI-Assistent für Urolithiasis ab ca. 4,5 mm Steingrösse auch in der Teleradiologie, mit dem weiterhin notwendigen Doppelcheck durch erfahrene Emergency-Radiologen, erfolgreich eingesetzt werden kann.

Gerd Schueller und das Team von Radailogy