All posts by : Radailogy Office

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

Zweck:

Ziel der Studie war es, die Performance eines gängigen AI-Assistenten bei akutem Hirnschlag 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 88 Patienten (Alter: 18 bis 89 Jahre, Mittel: 52 Jahre, Standardabweichung: ± 25 Jahre), die mit dem Verdacht auf einen akuten Hirnschlag zur CT des Neurokraniums an ERS Emergency Radiology Schueller, einem Anbieter teleradiologischer Dienste überwiesen worden waren, über drei aufeinanderfolgende Wochen randomisiert und prospektiv in die Studie aufgenommen. Die CT-Untersuchungen dieser Patienten wurden von einem gängigen, käuflich erwerblichen AI-Assistenten 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 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. Die Studie wurde aufgrund der AI-Ergebnisse vorzeitig beendet.

Ergebnisse:

Von 88 Patienten konnten 14 AI-Ergebnisse nicht abgerufen werden. Für 74 Patienten diagnostizierten Radiologen und das klinische Follow up 2 akute Ischämien (2,7 %). Der AI-Assistent lieferte 2 richtig positive (TP), 58 falsch positive (FP), 0 falsch negative (FN) und 14 richtig negative (TN) Befunde; Sensitivität 1,0; Spezifität 0,194; positiver Vorhersagewert (PPV) 0,033; negativer Vorhersagewert (NPV) 1,0. In einem zweiten Schritt wurden die Ergebnisse des AI-Assistenten entlang des klinisch und therapeutisch relevanten Schwellenwerts des ASPECTS Scores 7 oder kleiner berechnet: Der AI-Assistent lieferte 2 TP, 32 FP, 0 FN und 14 TN Befunde; Sensitivität 1,0; Spezifität 0,304; PPV 0,059; NPV 1,0.

Diskussion:

Der AI-Assistent erbrachte 58 von 74 FP (78%) und zwei von 74 TP (2,7%). Diese Rate sowie das Fehlen von FN deuten darauf hin, dass der Hersteller FP zugunsten der Sensitivität in Kauf nimmt. Die errechnete Spezifität ist deutlich geringer als in den Veröffentlichungen des AI-Herstellers offiziell angegeben. Die Auswertung entlang des klinisch und therapeutisch relevanten Schwellenwerts des ASPECTS Scores 7 erbrachte ein ähnliches Bild. Die Datensammlung wurde vorzeitig beendet, und die niedrige erreichte Fallzahl stellt sicherlich eine Limitation unserer Studie dar. Auf Basis der vorhandenen Daten muss davon ausgegangen werden, dass die CT-Diagnostik des akuten Hirnschlags mit ihrer Komplexität auch durch vorbestehende, nicht akute Läsionen des Hirngewebes insbesondere älterer Patienten, vorerst uneingeschränkt in den Händen erfahrener Radiologen bleiben soll.

Gerd Schueller und das Team von Radailogy

Zweck:

Ziel der Studie war es, die Performance gängiger AI-Assistenten bei akuter Hirnblutung 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 218 Patienten, die nach einem stumpfen Schädeltrauma zur CT des Neurokraniums an ERS Emergency Radiology Schueller, einem Anbieter teleradiologischer Dienste überwiesen worden waren, über acht aufeinanderfolgende Wochen randomisiert und prospektiv in die Studie aufgenommen. Die CT-Untersuchungen dieser Patienten wurden randomisiert von einem von zwei gängigen, käuflich erwerblichen AI-Assistenten 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 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 218 Patienten konnten 18 AI-Ergebnisse nicht abgerufen werden. Für 200 Patienten diagnostizierten Radiologen und das klinische Follow up 58 akute intrakranielle Blutungen (29 %). Die AI-Assistenten lieferten 58 richtig positive (TP), 0 falsch positive (FP), 40 falsch negative (FN) und 82 richtig negative (TN) Befunde; Sensitivität 0,592; Spezifität 1,0; positiver Vorhersagewert (PPV) 1,0; negativer Vorhersagewert (NPV) 0,672. Es zeigte sich kein signifikanter Unterschied zwischen den Ergebnissen der verwendeten AI-Assistenten. FN-Befunde betrafen Blutungen mit einem Durchmesser von 5 mm oder weniger (Mittelwert 3,5 mm, SD ± 1,9 mm). Die minimale Ausdehnung einer von den AI-Assistenten als TP gewerteten Blutung betrug 5 mm (Spanne 5–15 mm; Mittelwert 9 mm, SD ± 7 mm).

Diskussion:

Die AI-Assistenten erkannten alle akute Hirnblutungen. Das Fehlen FP-Ergebnisse deutet darauf hin, dass typische Fehlerquellen wie Aufhärtungsartefakte, Knochenränder und Verkalkungen entlang der Tabula interna von den Softwarefirmen behoben sind. Die überraschend hohe FN-Rate lässt jedoch vermuten, dass AI-Assistenten derzeit nicht für die Triage von Patienten mit Schädel-Hirn-Trauma in der professionellen High-end Teleradiologie geeignet sind. Die hohe FN-Rate insbesondere für kleinere Blutungen lässt an ihrem Einsatz als Second Look im hektischen Alltag der Akutradiologie ebenso zweifeln. Unsere Daten sind nicht mit den offiziellen Angaben der AI-Hersteller vergleichbar, welche Sensitivitäts- und Spezifitätsangaben von jeweils zumindest 90 % veröffentlichten. Sicherlich trägt, als eine Limitation, die relativ geringe Fallzahl unserer Studie zu dieser Diskrepanz bei. Weiters sollten zukünftige Studien auch eine größere Anzahl von AI-Assistenten testen.

Gerd Schueller und das Team von Radailogy

März 2026: Wie tauglich ist Artificial Intelligence in der Akutmedizin wirklich?

Lesen Sie rechtzeitig zum ECR 2026 die Ergebnisse unseres großen AI-Praxistests. Wir bei Radailogy veröffentlichen unsere brandaktuellen empirischen Daten, völlig transparent und ohne Einflussnahme jeglicher Interessensvertreter.

Das Ziel unserer Studie war die Evaluierung der Praxistauglichkeit gängiger AI-Assistenten zur Erkennung häufiger Pathologien in der Akutmedizin. Wir generierten unsere Daten prospektiv randomisiert in Zusammenarbeit mit unserer Schwesternfirma ERS Emergency Radiology Schueller, dem Marktführer in der Teleradiologie in Österreich und in der Schweiz.

Veröffentlichungen:

27.2.2026: Akute Hirnblutung

28.2.2026: Akuter Hirnschlag

2.3.2026: Urolithiasis

3.3.2026: Akute Bauchorgane

4.3.2026: Frakturen der Arme und Beine

Buchen Sie Ihren kostenlosen Platz für ERS TV Live!

Alle Daten werden zusätzlich live in unserer ERS TV Show am 10.3.2026 präsentiert. Sichern Sie sich Ihren kostenlosen Teilnahmeplatz! Den Link zur Anmeldung finden Sie am Montag, dem 2.3.2026 auf www.emergencyradiology.ch

Wir freuen uns auf Sie. Es bleibt spannend.

Ihr

Gerd Schueller

Raucher wissen, dass das Rauchen sehr ernste gesundheitliche Folgen haben kann. Chronischer Husten, Schleimbildung und Atemnot sind bereits Krankheitssymptome. Die Computertomografie hat eine hohe Aussagekraft über nachhaltige Schäden der Lungen. Doch wie sind diese genau ersichtlich? Unser neuer AI-Assistent hilft!

Mit grosser Freude präsentieren wir Ihnen aview COPD, einen AI-Assistenten für die Erkennung und detaillierte Beschreibung chronischer Lungenkrankheiten in CT-Untersuchungen.

Warum aview COPD bedeutend ist und wie es arbeitet

Der AI-Assistent klassifiziert und analysiert quantitativ zwei COPD-Phänotypen, nämlich den Atemwegstyp und den Emphysemtyp. Diese automatische Segmentierungssoftware ermöglicht die schnelle Analyse und Visualisierung der Lunge, der Lungenlappen sowie der Atemwege und Blutgefäße. Die Ergebnisse werden durch 2D- und 3D-Bilder, intuitive Diagramme und detaillierte Grafiken dargestellt. Die funktionellen und pathologischen Lungenvolumina werden präzise errechnet. Ein wichtiges Feature ist die Verlaufskontrolle der Krankheit im CT-Follow-up.

Nicht nur Ärzte, sondern auch Raucher selbst bekommen einen klaren Eindruck von etwaigen pathologischen Lungenveränderungen.

Wer profitiert

Insbesondere Raucher selbst sowie auch Kliniker und Radiologen durch die detaillierte Darstellung und Berechnung der Lungen mit aussagekräftigen Daten und Bildern.

Unsere eigene Erfahrung bei Radailogy

Coreline gibt die Analyseübereinstimmung des AI-Assistenten für Emphysem, Atemwege und Air trapping mit 99 %, 96 % bzw. 99 % an. aview COPD bietet eine Vielzahl von MPR-Bildern, Diagrammen und Grafiken, für die Darstellung der pulmonalen Anatomie und Krankheit sowie des Verteilungsmuster der COPD. Interessant ist die Analyse und Darstellung von Emphysemclustern mithilfe des D-Slope (Steigungswert) durch Anwendung einer dreidimensionalen, größenbasierten Emphysemclustertechnik. Zur Berechnung des D-Slope wird der Durchmesser des Emphysemclusters gegen die kumulative Anzahl der Läsionen auf einer Log-Log-Skala aufgetragen. Die Steigung (D-Slope) dieser linearen Beziehungen wird berechnet, wobei eine steilere Steigung (Anstieg des absoluten D-Werts) eine geringere Emphysemgröße anzeigt. Die Segmentierung der Atemwege und Lungengefäße, die Morphologie und Pathologie der Atemwegswände und deren Durchmesser werden anhand von 3D-Bildern und detaillierten Tabellen dargestellt. Die Analyse der Interlobia ist aus unserer Sicht nur bedingt hilfreich. Insgesamt verbessern die visualisierten Inhalte das Verständnis der Lungenmorphologie und -pathologie.

Jedermann kann aview COPD durch den raschen und einfachen Upload von CT-Untersuchungen der Lungen auf Radailogy verwenden.

Wir haben aview COPD außerdem zusammen mit aview LCS und aview ILA evaluiert, welche zur Erkennung und Quantifizierung von Lungenrundherden und der gesamten Lungenstruktur in CT-Studien entwickelt wurde. Erfahren Sie mehr in unserem Menu AI-Assistenten!

Die wissenschaftliche Evidenz

Hwang HJ, Lee SM, Seo JB, Lee JS, Kim N, Lee SW, Oh YM. New Method for Combined Quantitative Assessment of Air-Trapping and Emphysema on Chest Computed Tomography in Chronic Obstructive Pulmonary Disease: Comparison with Parametric Response Mapping. Korean J Radiol. 2021 Oct;22(10):1719-1729.

Hwang HJ, Seo JB, Lee SM, Kim N, Yi J, Lee JS, Lee SW, Oh YM, Lee SD. Visual and Quantitative Assessments of Regional Xenon-Ventilation Using Dual-Energy CT in Asthma-Chronic Obstructive Pulmonary Disease Overlap Syndrome: A Comparison with Chronic Obstructive Pulmonary Disease. Korean J Radiol. 2020 Sep;21(9):1104-1113.

Daten zum Upload auf Radailogy

Native Low-dose-CT-Studien des Thorax jeden CT- Geräteherstellers, axiale Reformationen, Schichtdicke und Rekonstruktionsintervall jeweils 1,0 mm, Lungen-Rekonstruktionskernel

Männer hören es immer wieder, dass Prostatakrebs sehr häufig ist. Nur Radiologen mit langjähriger Erfahrung in der Onkologie sind in der Lage, gutartige und bösartige Läsionen zu unterscheiden. Und wenn der Befund nicht eindeutig ist, gibt es eine sinnvolle Unterstützung? Ja, es gibt sie!

Mit grosser Freude präsentieren wir Ihnen mdprostate, einen AI-Assistenten für die Erkennung und Analyse von Prostatatumoren in MR-Untersuchungen.

Warum mdprostate wichtig ist und wie es arbeitet

In aller Kürze: Prostatatumoren werden lokalisiert und vermessen und anhand der PI-RADS 2.1-Klassifikation gewertet. Die Ergebnisse werden in dreidimensionalen Farbgrafiken und in klaren Tabellen dargestellt. Ein interessantes Feature ist der automatisierte Vergleich mit der letzten Voruntersuchung.

Wer profitiert

Jeder Mann mit dem Wunsch nach einer Zweitmeinung. Und selbstverständlich Kliniker und Radiologen durch die detaillierte Darstellung von Prostatatumoren mit klaren Bildern und Tabellen.

Unsere eigene Erfahrung bei Radailogy

Unsere Tests ergaben eine hohe TP-Rate von > 80 % und eine TN-Rate von > 85 %. Die Sensitivität war in unserem Sample 87 %, die Spezifität 69%. Die Wertung basiert auf der PI-RADS 2.1-Klassifikation. mdprostate errechnet auch das Prostatavolumen. Uns überzeugte die detaillierte Darstellung der Prostata mit ausführlichen Tabellen und 3D-Bildern.

Jeder Mann kann eine AI-gestützte Zweitmeinung für seine MRI der Prostata durch den raschen und einfachen Upload von MR-Studien der Prostata auf Radailogy anfordern. Unsere Kunden in der Telemedizin verwenden diesen AI-Assistenten auch als Standard in der täglichen Praxis, um ihren onkologischen Workflow zu optimieren.

Die wissenschaftliche Evidenz

Bayerl N, Adams LC, Cavallaro A, Bäuerle T, Schlicht M, Wullich B, Hartmann A, Uder M, Ellmann S. Assessment of a fully-automated diagnostic AI software in prostate MRI: Clinical evaluation and histopathological correlation. Eur J Radiol. 2024 Dec;181:111790

Daten zum Upload auf Radailogy

1,5-3 Tesla, T2w SE: FOV 10 bis 12 mm, Bildauflösung 0,7 bis 0,9 mm, Schichtdicke 3 bis 4 mm, Intervall < 0,5 mm; DWI: b-Wert 1400 bis 2000, FOV 14 bis 16 mm, Bildauflösung 2,1 bis 2,5 mm, Schichtdicke 3 bis 4 mm, Intervall < 0,5 mm; ADC: FOV 14 bis 16 mm, Bildauflösung 2,1 bis 2,5 mm, Schichtdicke 3 bis 4 mm, Intervall < 0,5 mm

Flankenschmerzen zählen zu den häufigsten Ursachen für einen Besuch auf der Notfallambulanz und die Nephrolithiasis ist deren häufigste Ursache. Schliesslich beträgt die Inzidenz in Europa und USA etwa 0,5 % (500/100000 Einwohner) pro Jahr. Das lebenslange Erkrankungsrisiko beträgt 10 bis 15 %. Steinpatienten haben ein Rezidivrisiko innerhalb von 10 Jahren von etwa 50 %. Mehr als jeder fünfte Patient erlebt drei und mehr Rezidive in seinem Leben. Die Computertomographie ist bereits der Goldstandard für die Diagnose der Nephrolithiasis. Sie hat eine Sensitivität und Spezifität von jeweils etwa 96 %. Doch geht es besser? Es geht!

Mit grosser Freude präsentieren wir Ihnen xAID Abdomen, einen AI-Assistenten für die Erkennung der Nephrolithiasis in CT-Untersuchungen.

Warum xAID Abdomen wichtig ist und wie es arbeitet

Der AI-Assistent erkennt röntgendichte Konkremente der Harn ableitenden Wege, abgesehen von Harnblasen-eigenen Steinen. Die Ergebnisse sind in Wort und Bild klar dargestellt. Die Diagnosezeit wird deutlich verringert und die Fallbesprechungen mit Klinikern und Patienten gewinnen an Qualität.

Wer profitiert

Patienten, Kliniker und Radiologen durch die detaillierte Darstellung und Diagnose der Nephrolithiasis mit aussagekräftigen Daten und Bildern.

Unsere eigene Erfahrung bei Radailogy

Selbst wenn Nierenkonkremente unter 5 mm klinisch kaum relevant sind, ist die Darstellung auch kleinerer Steine mit xAID Abdomen wertvoll. In unserem Sample waren die TP-, TN-, FP- und TN-Werte hervorragend, die Accuracy schliesslich grösser als 98 %. xAID Abdomen erkennt in der nativen CT des Abdomen auch Ektasien und Aneurysmata der Aorta abdominalis sowie Frakturen der Lendenwirbelkörper. Für letztere gibt der AI-Assistent eine ziemlich präzise Einschätzung des Alters sowie eine Beschreibung des Ausmasses der Frakturen an. xAID Abdomen erkennt weiters Adenome der Nebennieren mit hoher Zuverlässigkeit. Es werden auch Läsionen der Leber und der Nieren berichtet. Nicht zuletzt, weil die letztgenannten Läsionen Gegenstand der Kontrastmittel-verstärkten CT sind, empfehlen wir die Verwendung von xAID Abdomen derzeit insbesondere für die Erkennung der Nephrolithiasis. Hier liefert der AI-Assistent hohe Präzision. xAID Abdomen kann für jeden einzelnen Patienten durch den raschen und einfachen Upload von nativen CT-Untersuchungen auf Radailogy verwenden. Unsere Kunden in der Teleradiologie verwenden diesen AI-Assistenten auch als Standard in der täglichen Praxis, um ihren Workflow im Emergency-Setting zu optimieren.

Die wissenschaftliche Evidenz

Langkvist M, Jendeberg J, Thunberg P, Loutfi A, Liden M. Computer-aided detection of ureteral stones in thin-slice computed tomography volumes using Convolutional Neural Networks. Comput Biol Med. 2018;97:153–160

De Perrot T, Hofmeister J, Burgermeister S, et al. Differentiating kidney stones from phleboliths in unenhanced low-dose computed tomography using radiomics and machine learning. Eur Radiol. 2019;29(9):4776–4782

Daten zum Upload auf Radailogy

Native CT-Studien des Abdomen jeden CT- Geräteherstellers für Patienten älter als 18 Jahre, axiale Reformationen, Dosisleistung Minimum 2 mA, Schichtdicke höchstens 3 mm, Weichteil-Rekonstruktionskernel