KI-gestützte Radiologieberichte: Retrieval‑gestützte, verlässliche Impressions

In einer neuen Studie wird ein KI‑System vorgestellt, das Radiologie‑Impressions für Röntgenaufnahmen zuverlässig und nachvollziehbar erstellt. Das Verfahren kombiniert Bild‑ und Text‑Embeddings, nutzt einen Fall‑basierten Ähnlichkeits‑Suchmechanismus und erzeugt generierte Entwürfe, die explizit auf vorhandene, verifizierte Berichte verweisen.

Die Basisdaten stammen aus einer sorgfältig kuratierten Teilmenge des MIMIC‑CXR‑Datensatzes. Für die Bildrepräsentation werden CLIP‑Encoder eingesetzt, während die Text‑Embeddings aus strukturierten Impression‑Abschnitten abgeleitet werden. Durch die Fusion dieser beiden Modalitäten in einem FAISS‑Index wird die Suche nach den ähnlichsten Fällen beschleunigt und die Genauigkeit erhöht.

Die Retrieval‑Augmented‑Generation (RAG) nutzt die gefundenen Fälle, um kontextreiche Prompts zu generieren. Dabei werden Sicherheitsmechanismen eingebaut, die sicherstellen, dass jede Aussage durch mindestens eine Referenz unterstützt wird und bei Unklarheiten eine Ablehnung auslöst. Das Ergebnis sind Impressions, die nicht nur sprachlich flüssig sind, sondern auch eine klare Spur der Herkunft jeder Aussage bieten.

Experimentelle Tests zeigen, dass die multimodale Fusion die Retrieval‑Leistung deutlich steigert: Bei klinisch relevanten Befunden erreicht das System eine Recall@5 von über 0,95. Im Vergleich zu rein generativen Modellen liefert die RAG‑Pipeline interpretierbare, zitierfähige Berichte, die das Vertrauen von Radiologen in automatisierte Werkzeuge erhöhen.

Die Arbeit demonstriert, wie Retrieval‑Augmented‑Generation die Grenzen von Halluzinationen in KI‑generierten Radiologie‑Berichten überwindet und damit einen wichtigen Schritt in Richtung zuverlässiger, klinisch einsetzbarer KI‑Assistenzsysteme darstellt.