KI-gestützte Lösung verbessert Erkennung von Nebenbefunden in CT-Scans

Ein neu entwickeltes KI-Framework kombiniert große Sprachmodelle (LLMs) und vision‑language‑Modelle (VLMs), um Nebenbefunde in abdominalen CT‑Scans automatisch zu erkennen, zu klassifizieren und zu dokumentieren. Durch einen plan‑und‑execute‑Ansatz wird die bisher manuelle, zeitaufwändige Arbeit von Radiologen effizient ersetzt.

Der LLM‑basierte Planer erstellt aus medizinischen Richtlinien Python‑Skripte, die anschließend vom Executor ausgeführt werden. Dieser nutzt VLM‑Modelle, Segmentierungsalgorithmen und Bildverarbeitungs‑Subroutinen, um gezielt nach Auffälligkeiten in den CT‑Bildern zu suchen. Der gesamte Prozess läuft end‑to‑end automatisch ab.

In Experimenten auf einem abdominalen CT‑Benchmark für drei Organe zeigte das System deutlich höhere Genauigkeit und schnellere Durchlaufzeiten als reine VLM‑Ansätze. Die Ergebnisse deuten darauf hin, dass die Kombination von LLM‑Planung und VLM‑Ausführung die Qualität der Nebenbefundberichterstattung nachhaltig verbessern kann.

Diese Innovation verspricht nicht nur erhebliche Zeitersparnisse, sondern auch eine konsistentere und zuverlässigere Erfassung von Nebenbefunden, was letztlich die Patientenversorgung positiv beeinflussen könnte.