EUVIMEDEUVIMED entdecken
Crossref

Grundlagen von Foundation Models in der radiologischen Bildverarbeitung: Chancen, Limitationen und klinische Fallbeispiele

Iram Shahzadi, Jan Borggrefe iD

RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren · 28.07.2026

DOI: 10.1055/a-2899-1290 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, erschienen am 28.07.2026. Verfasst von Iram Shahzadi und 1 weiteren Autor:innen. Beteiligte Einrichtung: Ruhr University Bochum, University Institute of Radiology, Neuroradiology and Nuclear Medicine, Johannes Wesling University Hospital Minden, Germany,….

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

ZusammenfassungKünstliche Intelligenz (KI) ist in der Radiologie mittlerweile fest etabliert, wobei bislang vor allem aufgabenspezifische Convolutional Neural Networks (CNNs) wie U-Net-Architekturen für Segmentierung, Detektion und Klassifikation eingesetzt werden. Mit dem Aufkommen sogenannter Foundation Models (FMs) vollzieht sich jedoch ein grundlegender Paradigmenwechsel: Diese großskaligen, vortrainierten Modelle sind darauf ausgelegt, sich flexibel an eine Vielzahl radiologischer Aufgaben anzupassen, häufig mit nur minimalem aufgabenspezifischem Fine-Tuning. In der medizinischen Bildgebung basieren FMs typischerweise auf heterogenen, multimodalen Datensätzen und ermöglichen neue Anwendungen wie Zero-Shot-Segmentierung, prompt-basierte Bildexploration und die Integration klinischer Kontextinformationen. Parallel zur akademischen Entwicklung beginnen erste Hersteller, FM-basierte Ansätze in kommerzielle radiologische Produkte zu integrieren und klassische, eng spezialisierte Modellarchitekturen schrittweise abzulösen. Für die klinische Praxis ergeben sich daraus potenzielle Vorteile, etwa in der Reduktion falsch-positiver Befunde, der Automatisierung der Triage in der Notfalldiagnostik oder der verbesserten Detektion komplexer Pathologien. Demgegenüber stehen jedoch erhöhte Anforderungen an Rechenressourcen, Kosten sowie bislang ungelöste Fragen der Validierung, Erklärbarkeit und regulatorischen Einordnung. Diese Übersichtsarbeit stellt die konzeptionellen Grundlagen von Foundation Models vor, diskutiert deren technische und ökonomische Implikationen und illustriert anhand klinisch relevanter Anwendungsbeispiele, wie diese neue Modellgeneration die radiologische Bildanalyse nachhaltig verändern könnte. Kernaussagen Im Gegensatz zu konventionellen aufgabenspezifischen Netzwerken wie U-Net können Foundation Models flexibel für verschiedene radiologische Aufgaben eingesetzt und angepasst werden. Foundation Models können die radiologische und klinische Leistungsfähigkeit insbesondere bei komplexen oder datenarmen Fragestellungen verbessern. Radiologinnen und Radiologen sowie Industriepartner müssen die Ergebnisse von Foundation Models kritisch validieren und ihre nachvollziehbare Integration in klinische Arbeitsabläufe unter Einhaltung regulatorischer Anforderungen sicherstellen. Zitierweise Shahzadi I, Borggrefe J. Fundamentals of Foundation Models in Radiological Image Processing: Opportunities, Limitations, and Clinical Case Studies. Rofo 2026; DOI 10.1055/a-2899-1290

Autor:innen und Institutionen

  • Ruhr University Bochum, University Institute of Radiology, Neuroradiology and Nuclear Medicine, Johannes Wesling University Hospital Minden, Germany, Bochum.

ORCID-Profile: Jan Borggrefe

Zitieren

APA

Shahzadi, I., & Borggrefe, J. (2026). Grundlagen von Foundation Models in der radiologischen Bildverarbeitung: Chancen, Limitationen und klinische Fallbeispiele. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. https://doi.org/10.1055/a-2899-1290

Vancouver

Shahzadi I, Borggrefe J. Grundlagen von Foundation Models in der radiologischen Bildverarbeitung: Chancen, Limitationen und klinische Fallbeispiele. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 2026. doi:10.1055/a-2899-1290

BibTeX
@article{Shahzadi2026,
  author = {Shahzadi, Iram and Borggrefe, Jan},
  title = {Grundlagen von Foundation Models in der radiologischen Bildverarbeitung: Chancen, Limitationen und klinische Fallbeispiele},
  journal = {RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren},
  year = {2026},
  doi = {10.1055/a-2899-1290}
}
Kostenlos starten →