Künstliche Intelligenz in der Nuklearmedizin

Monat : 2026-04

Diagnostische Unterstützung, Bildverbesserung und Berichterstattung. Ein konkreter und ausgewogener Überblick über aktuelle KI-Anwendungen in unserem Fachgebiet, im Licht der Publikationen 2024-2026.

Die Nuklearmedizin ist bereits ein hochgradig technologisches Fachgebiet. Sie stützt sich auf Bildgebung, Quantifizierung, Rekonstruktionssoftware, klinische Daten und zunehmend auf Automatisierung. In diesem Kontext kommt die künstliche Intelligenz nicht als totaler Bruch, sondern eher als eine neue Hilfsschicht, die bestimmte Aufgaben beschleunigen, die Bildqualität verbessern und die Interpretation unterstützen kann.

Seit 2024 zeigt die Fachliteratur eine deutliche Beschleunigung der Arbeiten zur KI angewandt auf PET, SPECT, Artefaktkorrektur, Segmentierung, Quantifizierung und assistiertes Berichtsschreiben.

KI kann der Nuklearmedizin helfen, schneller, reproduzierbarer und manchmal präziser zu sein. Aber sie ist weder magisch noch autonom.

01 · Diagnostische Unterstützung

In der Nuklearmedizin ist KI besonders geeignet für Aufgaben, bei denen subtile Muster erkannt, Intensitäten verglichen, Volumina gemessen oder große Informationsmengen integriert werden müssen.

In der Praxis kann KI helfen, schwer erkennbare Läsionen besser zu erkennen, die Tumorlast schneller abzuschätzen, Strukturen automatisch zu segmentieren oder bestimmte quantitative Messungen zu standardisieren.

Ein bemerkenswertes Beispiel, das Anfang 2026 von Zhang et al. veröffentlicht wurde, veranschaulicht den Wert eines 3D multimodalen PET/CT-Modells, das auf 474 Patienten trainiert wurde.

Merke. Der Algorithmus stellt keine Diagnose anstelle des Arztes. Er wirkt als digitaler Zweitbefunder: Er lenkt die Aufmerksamkeit, präsegmentiert, quantifiziert, schlägt eine Klassifikation oder einen Score vor. Die endgültige Diagnose bleibt klinisch und menschlich.

02 · Sauberere und besser nutzbare Bilder

Einer der Bereiche, in denen KI heute am beeindruckendsten ist, ist die Bildverbesserung. Deep-Learning-Modelle können verrauschte PET- oder SPECT-Bilder verbessern, Niedrigzählungs-Akquisitionen wiederherstellen.

Für den Patienten ist der potenzielle Nutzen sehr konkret. Wenn ein qualitativ gutes Bild mit weniger Rauschen trotz weniger Zählungen erzielt werden kann, öffnet dies die Tür zu einer Reduktion der injizierten Dosis oder einer kürzeren Akquisitionszeit.

Dieses Prinzip ist nun in groß angelegten multizentrischen Studien validiert. Maes et al. veröffentlichten 2025 in EJNMMI eine verblindete externe Bewertung der NUCLARITY-Software.

Vorsicht ist jedoch geboten. Ein visuell schöneres Bild bedeutet nicht immer perfekte biologische Treue. Praktische Schlussfolgerung: Niemals denoisierte und nicht-denoisierte Bilder im longitudinalen Follow-up mischen.

03 · Korrigieren, was das Auge nicht immer sieht

KI wird nicht nur zur Bereinigung des Endbildes verwendet. Sie greift auch früher in die technische Kette ein: Atemwegs- und Herzbewegungs-korrektur, Attenuationskorrektur, automatische PET-CT Co-Registrierung.

04 · Automatische Segmentierung: die stille Revolution

Segmentierung — die genaue Abgrenzung der Konturen eines Organs oder einer Läsion in einem 3D-Bild — ist eine wichtige, aber außerordentlich zeitaufwändige Aufgabe. Die manuelle Abgrenzung aller Tumorläsionen bei einem Ganzkörperlymphom kann einen erfahrenen Nuklearmediziner mehr als eine Stunde kosten. KI transformiert diesen Schritt grundlegend.

Generalistische Modelle wie TotalSegmentator, MOOSE und neuere Foundation-Modelle wie SegAnyPET oder VISTA3D sind nun als Open-Source oder semi-kommerziell verfügbar.

05 · Unterstützung beim Verfassen von Berichten

Große Sprachmodelle (LLMs) werden zunehmend in der Nuklearmedizin untersucht, um das Schreiben zu unterstützen, Berichte zu strukturieren, Befunde zusammenzufassen, Schlüsseldaten zu extrahieren.

Achtung. Dies ist der Bereich, in dem das Risiko glaubwürdiger Fehler am besorgniserregendsten ist. Ein Sprachmodell kann einen sehr gut geschriebenen, aber sachlich falschen Satz erzeugen. Diese Werkzeuge müssen redaktionelle Assistenten unter strenger medizinischer Aufsicht bleiben.

06 · Bessere Verknüpfung von Bild und klinischen Daten

KI wird besonders interessant, wenn sie mehrere Quellen zusammenführt: PET- oder SPECT-Bild, zugehöriges CT, klinische Daten, manchmal Molekularbiologie. Dies ist das Prinzip der multimodalen Deep Radiomics.

07 · Aktuelle Grenzen und künftige Herausforderungen

• Mangel an gut annotierten multizentrischen Daten. Die meisten Modelle werden auf monozentrischen Kohorten trainiert und verlieren an Leistung, wenn sie auf Bilder angewendet werden, die mit anderen Maschinen und Protokollen aufgenommen wurden. Domain Shift bleibt die Achillesferse des Deep Learning in der medizinischen Bildgebung. • Variationen zwischen Maschinen und Protokollen. Ein auf einem Siemens Biograph Vision-Scanner trainiertes Modell schneidet auf einem älteren GE Discovery PET oft schlechter ab. • Regulatorische Einschränkungen und DSGVO. Das Inverkehrbringen eines medizinischen KI-Geräts erfordert die CE-Kennzeichnung (MDR-Verordnung 2017/745), häufig in Klasse IIa oder IIb. • Reproduzierbarkeit und Erklärbarkeit. Ein "Black-Box"-Algorithmus, der einfach "abnormal" sagt, ohne seine Entscheidung zu begründen, ist in einem medizinischen Bericht schwer zu akzeptieren. • Schulung und Akkulturation der Teams. Eine nachhaltige Einführung eines KI-Werkzeugs in der klinischen Praxis erfordert eine initiale und kontinuierliche Schulung von Ärzten und MTRA.

Fazit KI in der Nuklearmedizin ist keine futuristische Idee mehr. Sie ist bereits präsent, insbesondere bei der Bildverbesserung, der PET- und SPECT-Entrauschung, der automatischen Segmentierung, der Quantifizierung und der Unterstützung bei der Berichterstattung. Die Publikationen 2024-2026 markieren einen klaren Übergang: vom Proof of Concept zur externen multizentrischen klinischen Validierung. KI ersetzt den Nuklearmediziner nicht, kann ihm aber Zeit sparen, die technische Qualität bestimmter Untersuchungen verbessern, die Dosis oder Akquisitionszeit reduzieren und die Analyse zwischen Befundern homogener gestalten. Die Herausforderung für unser Fachgebiet in den nächsten fünf Jahren ist weniger technisch als kulturell und organisatorisch: zu wissen, welche Werkzeuge echten klinischen Mehrwert bringen, sie lokal zu validieren und die Teams zu schulen. KI wird wahrscheinlich zu einem sehr guten Copiloten für die Nuklearmedizin. Und wie bei jedem guten Copiloten kommt ihr Wert nicht aus der Fähigkeit, allein zu entscheiden, sondern aus der Fähigkeit, den Fachmann, der die endgültige Verantwortung trägt, intelligent zu unterstützen.

🔑 Wichtige Punkte • Diagnostische Unterstützung — KI erkennt subtile Muster, prä-segmentiert Läsionen, quantifiziert die Tumorlast und standardisiert Messungen; sie fungiert als digitaler Zweitbefunder, nicht als Entscheider. • Bildverbesserung — Deep Learning entrauscht PET- und SPECT-Akquisitionen und ermöglicht Dosisreduktion oder kürzere Akquisitionszeiten; multizentrisch und mit mehreren Tracern validiert (NUCLARITY, SubtlePET, AiCE usw.). • Vor-Rekonstruktions-Korrektur — KI korrigiert Bewegung, Schwächung und PET-CT-Koregistrierung für zuverlässigere Dosimetrie und Therapieverlaufskontrolle, insbesondere in der RLT. • Automatische Segmentierung — Foundation Models (TotalSegmentator, MOOSE, SegAnyPET, VISTA3D) segmentieren heute 100+ Strukturen in weniger als einer Minute und machen MTV und TLG endlich routinetauglich. • Befundungsassistenz — LLMs strukturieren Befunde und extrahieren Schlüsseldaten, müssen aber unter strenger ärztlicher Aufsicht bleiben (Risiko plausibler faktischer Fehler). • Multimodale Fusion — KI verknüpft molekulare Bildgebung, CT, klinische Daten und Biologie, um Rezidivrisiko und Therapieansprechen vorherzusagen. • Aktuelle Grenzen — wenige Werkzeuge gelangen vom Prototyp in die breite klinische Anwendung: Domain Shift zwischen Maschinen, Mangel an annotierten Daten, MDR/FDA- und DSGVO-Vorgaben. • Endverantwortung — Klinische Diagnose und therapeutische Entscheidung bleiben in menschlicher Hand; KI ist Kopilot, nicht Pilot.

• Hashimoto F, Onishi Y, Ote K, Tashima H, Reader AJ, Yamaya T. Deep learning-based PET image denoising and reconstruction: a review. Radiol Phys Technol. 2024;17(1):24-46. doi:10.1007/s12194-024-00780-3 • Balaji V, Song TA, Malekzadeh M, Heidari P, Dutta J. Artificial Intelligence for PET and SPECT Image Enhancement. J Nucl Med. 2024;65(1):4-12. doi:10.2967/jnumed.122.265000 • Miwa K, et al. Innovations in clinical PET image reconstruction: advances in Bayesian penalized likelihood algorithm and deep learning. Ann Nucl Med. 2025. doi:10.1007/s12149-025-02088-7 • Zhang M, Li Y, Zheng C, et al. Fully automated 3D multi-modal deep learning model for preoperative T-stage prediction of colorectal cancer using 18F-FDG PET/CT. Eur J Nucl Med Mol Imaging. 2026;53:910-920. doi:10.1007/s00259-025-07450-5 • Zhang MX, Liu PF, Zhang MD, et al. Deep learning in nuclear medicine: from imaging to therapy. Ann Nucl Med. 2025;39(5):424-440. • Maes J, Carron C, DeKeyser S, et al. Low-count whole-body PET denoising with deep learning in a multicenter, multi-tracer and externally validated study. Eur J Nucl Med Mol Imaging. 2025. doi:10.1007/s00259-025-07672-7 • Silva LC, Constantino C, Teixeira R, et al. Assessing the quantitative feasibility of deep-learning-based denoising of faster-than-1-minute whole-body [18F]FDG PET acquisitions. J Nucl Med. 2025;66(suppl 1):251342. • PET Image Denoising with Rectified Flow. J Nucl Med. 2025;66(suppl 1):251475. • Xue S, Liu F, Wang H, et al. A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain. Eur J Nucl Med Mol Imaging. 2025;52:1901-1911. doi:10.1007/s00259-024-06994-2 • Raymond C, Zhang D, Cabello J, et al. SMART-PET: a Self-SiMilARiTy-aware generative adversarial framework for reconstructing low-count [18F]-FDG-PET brain imaging. Front Nucl Med. 2024;4:1469490. doi:10.3389/fnume.2024.1469490 • Wasserthal J, Breit HC, Meyer MT, et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023;5(5):e230024. doi:10.1148/ryai.230024 • Zhang Y, Xue L, Zhang W, et al. SegAnyPET: universal promptable segmentation from positron emission tomography images. Proc IEEE/CVF ICCV. 2025:21107-21116. • He Y, et al. VISTA3D: A Unified Segmentation Foundation Model For 3D Medical Imaging. Proc IEEE/CVF CVPR. 2025. • Riedemann L, Labonne M, Gilbert S. The path forward for large language models in medicine is open. npj Digit Med. 2024;7:339. doi:10.1038/s41746-024-01344-w • Kersting D, Borys K, Küper A, et al. Staging of prostate cancer with ultra-fast PSMA-PET scans enhanced by AI. Eur J Nucl Med Mol Imaging. 2025;52(5):1658-1670.