Foundation Model für Brustultraschall zeigt klinische Leistungsfähigkeit im Test

Ein internationales Forschungsteam präsentiert in Nature Biomedical Engineering ein generatives Foundation Model, das die KI-gestützte Brustultraschall-Diagnostik grundlegend verändern könnte – indem es erstmals mehrere klinische Analyseaufgaben in einem einzigen, generalisierbaren System vereint.

Foundation Model für Brustultraschall zeigt klinische Leistungsfähigkeit

Vom Spezialmodell zum generalisierbaren System

Bisherige KI-Systeme in der medizinischen Bildgebung waren typischerweise auf einzelne Aufgaben zugeschnitten – etwa die Erkennung von Läsionen oder deren Klassifikation. Das von Forschern aus China und den USA entwickelte Modell verfolgt einen grundlegend anderen Ansatz: Als Foundation Model ist es darauf ausgelegt, verschiedene Analyseaufgaben auf Basis einer einheitlichen Modellarchitektur zu bearbeiten. Dazu gehören:

• Segmentierung von Gewebestrukturen
• Klassifikation von Befunden
• Generierung synthetischer Bilddaten zur Erweiterung von Trainingsdatensätzen

Der generative Anteil des Modells ist dabei besonders relevant: Synthetisch erzeugte Ultraschallbilder können dazu beitragen, den chronischen Datenmangel in der medizinischen KI-Entwicklung zu adressieren – ein Problem, das durch strenge Datenschutzanforderungen besonders in Deutschland stark ausgeprägt ist.

Technischer Aufbau und Trainingsgrundlage

Das Modell wurde auf einem umfangreichen, institutionsübergreifenden Datensatz aus Brustultraschall-Aufnahmen trainiert. Die Autoren – darunter Wissenschaftler der Peking University, des chinesischen Nationalen Krebszentrums sowie James Zou von der Stanford University – berichten von robuster Generalisierbarkeit über verschiedene Gerätehersteller und Aufnahmebedingungen hinweg.

Die Architektur kombiniert Methoden aus dem Bereich generativer Modelle mit aufgabenspezifischen Anpassungen, um sowohl Bildverständnis als auch Bildgenerierung in einem gemeinsamen Framework zu vereinen. Die Studie erschien am 7. April 2026 in Nature Biomedical Engineering im Hybrid-Access-Modell.

Einordnung in den klinischen Kontext

Brustkrebs zählt weltweit zu den häufigsten Krebserkrankungen bei Frauen. Ultraschall ist dabei ein verbreitetes, strahlungsfreies Ergänzungsverfahren zur Mammografie – dessen Auswertung jedoch stark von der Erfahrung der untersuchenden Person abhängt.

KI-gestützte Analyse verspricht eine konsistentere Befundqualität, insbesondere in Regionen mit begrenztem Zugang zu spezialisierten Radiologen.

Gleichwohl bleibt die klinische Zulassung ein mehrstufiger Prozess. In der Europäischen Union unterliegen KI-basierte Medizinprodukte der MDR (Medical Device Regulation) in Verbindung mit dem AI Act, der Hochrisikoanwendungen im Gesundheitsbereich besonderen Anforderungen unterwirft – von der technischen Dokumentation bis zur Nutzertransparenz.

Relevanz für Unternehmen im deutschsprachigen Raum

Für Hersteller medizinischer Software und Bildgebungssysteme in Deutschland, Österreich und der Schweiz verdeutlicht die Studie einen klaren Trend:

Foundation Models, die mehrere klinische Aufgaben integrieren, dürften spezialisierte Einzellösungen mittelfristig unter Druck setzen.

Unternehmen, die in der medizinischen KI aktiv sind oder in diesen Markt eintreten wollen, sollten die regulatorischen Anforderungen des AI Acts frühzeitig in ihre Produktentwicklung einplanen. Die Nutzung synthetisch generierter Trainingsdaten – wie im vorliegenden Modell erprobt – könnte dabei einen praktikablen Weg bieten, Datenschutzhürden zu umgehen, ohne auf reale Patientendaten angewiesen zu sein.

Quelle: Nature Biomedical Engineering