Einfluss von künstlicher Intelligenz auf Entscheidungen in der Radiologie am Beispiel des Lungenkrebsscreenings

In Deutschland werden jährlich mehr als 1,5 Mio. Computertomographien (CT) des Thorax durchgeführt [1]. Mit der bevorstehenden Einführung eines systematischen Lungenkrebsscreenings ist davon auszugehen, dass die Anzahl der Thorax-CT-Untersuchungen weiter ansteigen wird [2]. Schätzungen zufolge erfüllen in Deutschland circa 5,5 Mio. aktuelle oder ehemalige Raucher die NELSON-Kriterien (50 bis 75 Jahre, aktive oder ehemalige Raucher mit mindestens 15 Packungsjahren) und damit die Voraussetzungen für das Screeningprogramm, wie repräsentative Umfragedaten zum Rauchen zeigen [3]. In dieser Risikogruppe sind knapp die Hälfte aller Lungenkrebsfälle zu erwarten [4].

Die Herausforderung im Lungenkrebsscreening liegt nicht nur in der Detektion pulmonaler Rundherde, sondern vor allem in der präzisen Volumetrie und der standardisierten Zuordnung der Befunde gemäß der Lung-RADS-Klassifikation (Abb. 1) sowie in der Verlaufsbeurteilung bei Follow-up-Untersuchungen [5]. Diese Schritte erfordern einen erheblichen zeitlichen Aufwand und sind fehleranfällig, insbesondere bei steigender Anzahl von Untersuchungen.

Bild vergrößern

Der Einsatz von KI in Form einer Lung-CAD-Software (Computer-Aided Detection) bietet eine vielversprechende Lösung. Sie ermöglicht eine automatisierte und standardisierte Analyse von CT-Daten und unterstützt dabei, potenziell bösartige Läsionen schneller und zuverlässiger zu identifizieren. Damit markiert die Einführung von KI-gestützter Technologie im Lungenkrebsscreening einen Meilenstein in der klinischen Translation von KI-Anwendungen und verdeutlicht die wachsende Bedeutung von KI für die medizinische Diagnostik.

Aktuelle Studien zum Einsatz von Lung-CAD-Softwares im Lungenkrebsscreening zeigen, dass die Integration solcher Systeme in den radiologischen Workflow das Potenzial bietet, auf eine radiologische Zweitbefundung zu verzichten. Die Kombination aus Radiolog:in und KI-System ermöglichte in prospektiven Screening-Settings eine zuverlässige Befundung, wobei weniger als 5 % der Teilnehmenden nach der initialen Thorax-CT zur weiteren Abklärung an ein spezialisiertes Zentrum überwiesen werden mussten [6]. Daten aus der europäischen Multicenterstudie „4-IN-THE-LUNG-RUN“ belegen zudem, dass eine Lung-CAD-Software das Potenzial hat, Radiolog:innen als Erstleser im Rahmen eines Lungenkrebsscreening-Programms zu ersetzen, indem unauffällige Fälle bereits durch die KI ausgeschlossen werden – ohne das Risiko für falsch-negative Befunde wesentlich zu erhöhen [7].

Gleichzeitig zeigen andere Studien, dass die diagnostische Leistungsfähigkeit solcher KI-Systeme stark von der Erfahrungsebene der Radiolog:innen abhängen kann und nicht in allen Fällen überlegen ist [8]. Der Einsatz von KI-Systemen kann – entgegen häufiger Erwartungen – das Burnout-Risiko unter Radiolog:innen sogar erhöhen, etwa durch gesteigerte Arbeitsdichte und reduzierte Entscheidungsspielräume [9].

Darüber hinaus erlauben einige Lung-CAD-Softwares die simultane Quantifizierung von Koronarkalk und Lungenemphysem und unterstützen so eine umfassende Risikostratifizierung. Beide Parameter gelten in personalisierten Screening-Kohorten als unabhängige Prädiktoren der Gesamtmortalität und erweitern den diagnostischen Nutzen über die reine Lungenkrebsfrüherkennung hinaus [10]. Neben einer LUNG-CAD-Software können KI-basierte Programme das Potenzial des opportunistischen Screenings bzw. der Risikostratifizierung für kardiovaskuläre Ereignisse oder die Gesamtsterblichkeit trotz der niedrigen Dosis der Thorax-CT mittels einer akkuraten Analyse der Körperzusammensetzung erhöhen [11, 12].

Allerdings weisen die derzeit auf dem Markt verfügbaren Lung-CAD-Softwares relevante Limitationen auf. Die zugrundeliegenden KI-Algorithmen sind auf unterschiedlichen Trainingsdatensätzen mit uneinheitlichen Akquisitions- und Rekonstruktionsparametern entwickelt worden. Dies kann sich negativ auf die Interoperabilität und die Vergleichbarkeit der Ergebnisse auswirken. Ergebnisse der HANSE-Studie zeigen deutliche Unterschiede zwischen verschiedenen KI-Systemen in der Detektion, Quantifizierung und Klassifikation pulmonaler Rundherde, was die Notwendigkeit einer sorgfältigen Validierung und Standardisierung der KI-Systeme unterstreicht [13].

In Zeiten steigender Energiekosten, drohender Insolvenz zahlreicher Krankenhäuser und vor dem Hintergrund der kürzlich durch den Deutschen Ärztetag verabschiedeten Novellierung der Ärztlichen Gebührenordnung ist Wirtschaftlichkeit imperativ für die Radiologie. KI-Tools für das Lungenkrebsscreening sollten entsprechend nicht nur kostendeckend sein, sondern idealerweise auch einen geringen ökonomischen Nutzen ermöglichen. Die Einflussfaktoren auf die Wirtschaftlichkeit einer solchen Software sind multifaktoriell. Dazu gehören der Kaufpreis, das Kaufmodell (einmaliger Kauf vs. Bezahlung pro Fall; [14, 15]), Installations- und Wartungskosten, Sensitivität und Spezifität des KI-Tools, da diese bei übersehenen Tumoren oder bei unnötiger weiterer Diagnostik Folgekosten bedingen [16], und die Zahlungsbereitschaft der Kostenträger, respektive der Krankenkassen, für potenzielle Zusatzkosten. Während die Überlegenheit einer Volumetrie gegenüber 2D-Messungen von Lungenherden für die Lung-RADS-Klassifikation erwiesen ist und die Zeitersparnis von KI-Tools evident ist, sind diese dennoch nicht inhärent kosteneffektiv. So können beispielsweise die Softwarekosten den ökonomischen Mehrwert einer Zeitersparnis aufheben. Während für einzelne KI-Anwendungen im Lungenkrebsscreening Kosteneffektivität demonstriert wurde [17, 18], sollten für sämtliche KI-Softwarelösungen, die den Anforderungen der Lungenkrebs-Früherkennungs-Verordnung entsprechen und in Deutschland potenziell zum Einsatz kommen könnten, Kosteneffektivitätsanalysen durchgeführt werden. Dies böte die Grundvoraussetzung für eine fundierte ökonomische Entscheidungsfindung hinsichtlich der Auswahl geeigneter KI-Tools und sollte von erst- sowie zweitbefundenden Zentren und sonstigen Kostenträgern unbedingt eingefordert werden.

Der Einsatz von KI im Rahmen des Lungenkrebsscreenings bietet erhebliche Chancen für eine effizientere, standardisierte und potenziell genauere Diagnostik. So zeigen Lung-CAD-Softwares vielversprechende Ergebnisse für die Detektion, Klassifikation und Verlaufsbeurteilung pulmonaler Rundherde – mit dem Potenzial, die Rolle von Radiolog:innen als Zweitbefundende zu ersetzen. Die zusätzliche Möglichkeit zur Quantifizierung von Begleitparametern wie Koronarkalk und Lungenemphysem erweitert den klinischen Nutzen solcher Systeme über die reine Krebsfrüherkennung hinaus.

Gleichzeitig bestehen technische, organisatorische, wirtschaftliche und ethisch-rechtliche Herausforderungen, die eine differenzierte Betrachtung und sorgfältige Implementierung erforderlich machen. Eine erfolgreiche Integration von KI für das Lungenkrebsscreening erfordert robuste Validierungsdaten, Kosteneffektivitätsanalysen sowie die Akzeptanz und Schulung des medizinischen Fachpersonals.

Langfristig kann KI – richtig eingesetzt – nicht nur zur Verbesserung diagnostischer Qualität, sondern auch zur Entlastung der Radiologie beitragen und Raum für eine stärkere Fokussierung auf die ärztliche Kommunikation mit den Patient:innen schaffen.