Künstliche Intelligenz in der abdominellen MRT-Diagnostik: Aktuelle Anwendungen, Herausforderungen und Zukunftsperspektiven

Zusammenfassung

Hintergrund

Die zunehmende Verfügbarkeit großer Bilddatensätze sowie technische Fortschritte im Bereich der IT haben die Anwendung Künstlicher Intelligenz (KI) auch in der Radiologie in den letzten Jahren stark vorangetrieben. Besonders im Bereich der abdominellen MRT-Diagnostik bieten sich zahlreiche Möglichkeiten für den Einsatz von KI-Anwendungen zur effizienten, objektiven und standardisierten Bildakquisition und Befundung.

Methode

Diese Übersichtsarbeit fasst den aktuellen Stand der Forschung und klinischen Anwendung von KI in der abdominellen MRT-Diagnostik mithilfe einer Literaturrecherche über PubMed zusammen. Der Fokus liegt auf interpretierende Einsatzbereiche wie die automatische Segmentierung von Organen des Abdomens, Klassifikation von Pathologien sowie die quantitative Analyse unterschiedlichster abdomineller Erkrankungen. Zudem werden die technischen Voraussetzungen, Herausforderungen und Limitationen sowie ethische Aspekte systematisch beleuchtet.

Ergebnisse

KI-basierte Systeme zeigen vielversprechende präklinische Ergebnisse, beispielsweise in der Bildrekonstruktion, der Segmentierung, der Detektion und Charakterisierung von Läsionen sowie in der Klassifikation z.B. PSC-typischer Gallengangsveränderungen anhand der MRCP. Interessanterweise gibt es jedoch im Vergleich zu anderen organspezifischen Anwendungen in der Radiologie bislang nur wenige klinisch einsetzbare Tools in der abdominellen Bildgebung. Zudem bestehen noch große Herausforderungen aufgrund der oftmals sehr heterogenen Datenqualität, der Verfügbarkeit sorgfältig annotierter Bilddaten sowie der rechtlichen und ethischen Absicherung. Aber auch die Fragen der Kostenstruktur und Wirtschaftlichkeit sowie der Vergütung von KI-basierten Anwendungen spielen eine nicht unerhebliche Rolle und müssen geklärt werden.

Schlussfolgerung

Trotz des großen Potenzials und vielversprechender präklinischer Arbeiten ist die Integration von KI-Systemen in der abdominellen MRT noch nicht im klinischen Alltag etabliert. Für eine erfolgreiche klinische Umsetzung bedarf es standardisierter Workflows, transparenter Modellarchitektur, rechtssicherer Rahmenbedingungen, klarer Vergütungsrichtlinien und der aktiven Einbindung radiologischer Expertise. Perspektivisch werden multimodale, prädiktive Systeme mit Einbindung ergänzender klinischer Daten sowie die ethisch reflektierte Gestaltung KI-gestützter Entscheidungsprozesse zunehmend an Bedeutung gewinnen.

Kernaussagen

• Im Vergleich zu anderen Anwendungsgebieten der Radiologie gibt es bislang noch recht wenige dezidierte und validierte KI-Anwendungen für die abdominelle MRT-Diagnostik, was vor allem an der vergleichsweise komplexen Datenstruktur und der hohen interindividuellen Variabilität des Abdomens liegt.

• Für eine erfolgreiche Integration in die klinische Praxis sind neben der geeigneten technischen Infrastruktur vor allem gut aufgearbeitete multizentrische Trainingsdatensätze, wie beispielsweise im Rahmen von großen Kohortenstudien, sowie ein transparenter Datenschutz und eine kompetetive Vergütung entscheidend.

Zitierweise

• Ragab H, Aydemir DG, Cicek H et al. Artificial Intelligence in Abdominal MRI Diagnostics: Current Applications, Challenges, and Future Perspectives. Rofo 2025; DOI 10.1055/a-2704-7577

Publikationsverlauf

Eingereicht: 22. Mai 2025

Angenommen nach Revision: 10. September 2025

Artikel online veröffentlicht:
13. Oktober 2025

• References

• 1 Mervak BM, Fried JG, Wasnik AP. A Review of the Clinical Applications of Artificial Intelligence in Abdominal Imaging. Diagnostics 2023; 13: 2889
• 2 Van Leeuwen KG, Schalekamp S, Rutten MJCM. et al. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol 2021; 31: 3797-3804
• 3 McCarthy J. A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE. 1955 http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
• 4 Horvat N, Papanikolaou N, Koh D-M. Radiomics Beyond the Hype: A Critical Evaluation Toward Oncologic Clinical Use. Radiol Artif Intell 2024; 6: e230437
• 5 Kapoor N, Lacson R, Khorasani R. Workflow Applications of Artificial Intelligence in Radiology and an Overview of Available Tools. Focus Pract AI 2020; 17: 1363-1370
• 6 Akinci D’Antonoli T, Berger LK, Indrakanti AK. et al. TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI. Radiology 2025; 314
• 7 Wasserthal J, Breit H-C, Meyer MT. et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell 2023; 5: e230024
• 8 Kelly BS, Judge C, Bollard SM. et al. Correction to: Radiology artificial intelligence: A systematic review and evaluation of methods (RAISE). Eur Radiol 2022; 32: 8054-8054
• 9 Bischoff LM, Peeters JM, Weinhold L. et al. Deep Learning Super-Resolution Reconstruction for Fast and Motion-Robust T2-weighted Prostate MRI. Radiology 2023; 308: e230427
• 10 Brendel JM, Dehdab R, Herrmann J. et al. Deep learning reconstruction for accelerated 3-D magnetic resonance cholangiopancreatography. Radiol Med (Torino) 2025;
• 11 Wang K, Mamidipalli A, Retson T. et al. Automated CT and MRI Liver Segmentation and Biometry Using a Generalized Convolutional Neural Network. Radiol Artif Intell 2019; 1: 180022
• 12 Chen Y, Ruan D, Xiao J. et al. Fully automated multiorgan segmentation in abdominal magnetic resonance imaging with deep neural networks. Med Phys 2020; 47: 4971-4982
• 13 Yang Y, Li Y-X, Yao R-Q. et al. Artificial intelligence in small intestinal diseases: Application and prospects. World J Gastroenterol 2021; 27: 3734-3747
• 14 Cao K, Xia Y, Yao J. et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nat Med 2023; 29: 3033-3043
• 15 Dai H, Xiao Y, Fu C. et al. Deep Learning–Based Approach for Identifying and Measuring Focal Liver Lesions on Contrast-Enhanced MRI. J Magn Reson Imaging 2025; 61: 111-120
• 16 Zhuang Y, Mathai TS, Mukherjee P. et al. MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI. 2024
• 17 Rickmann A-M, Senapati J, Kovalenko O. et al. AbdomenNet: Deep neural network for abdominal organ segmentation in epidemiologic imaging studies. BMC Med Imaging 2022; 22: 168
• 18 Estrada S, Lu R, Conjeti S. et al. FatSegNet: A fully automated deep learning pipeline for adipose tissue segmentation on abdominal dixon MRI. Magn Reson Med 2020; 83: 1471-1483
• 19 Radiol Health AI Regist. Zugriff am 23. August 2025 unter: http://www.radiology.healthairegister.com/
• 20 Nikpanah M, Xu Z, Jin D. et al. A deep-learning based artificial intelligence (AI) approach for differentiation of clear cell renal cell carcinoma from oncocytoma on multi-phasic MRI. Clin Imaging 2021; 77: 291-298
• 21 Turkbey B. AI in prostate MRI: Enhancing accuracy and reducing overdiagnosis. Nat Rev Urol 2024;
• 22 Moezzi SAR, Ghaedi A, Rahmanian M. et al. Application of Deep Learning in Generating Structured Radiology Reports: A Transformer-Based Technique. J Digit Imaging 2022; 36: 80-90
• 23 Ragab H, Westhaeusser F, Ernst A. et al. DeePSC: A Deep Learning Model for Automated Diagnosis of Primary Sclerosing Cholangitis at Two-dimensional MR Cholangiopancreatography. Radiol Artif Intell 2023; 5: e220160
• 24 Singh Y, Eaton JE, Venkatesh SK. et al. Deep learning analysis of magnetic resonance imaging accurately detects early-stage perihilar cholangiocarcinoma in patients with primary sclerosing cholangitis. Hepatology 2025;
• 25 Rezazade Mehrizi MH, Van Ooijen P, Homan M. Applications of artificial intelligence (AI) in diagnostic radiology: A technography study. Eur Radiol 2021; 31: 1805-1811
• 26 Acosta JN, Falcone GJ, Rajpurkar P. The Need for Medical Artificial Intelligence That Incorporates Prior Images. Radiology 2022; 304: 283-288
• 27 Finlayson Samuel G., Subbaswamy A, Singh K. et al. The Clinician and Dataset Shift in Artificial Intelligence. N Engl J Med 2021; 385: 283-286
• 28 Tejani AS, Ng YS, Xi Y. et al. Understanding and Mitigating Bias in Imaging Artificial Intelligence. RadioGraphics 2024; 44: e230067
• 29 Kim DW, Jang HY, Kim KW. et al. Design Characteristics of Studies Reporting the Performance of Artificial Intelligence Algorithms for Diagnostic Analysis of Medical Images: Results from Recently Published Papers. Korean J Radiol 2019; 20: 405
• 30 Zhang X, Acosta JN, Miller J. et al. ReXGradient-160K: A Large-Scale Publicly Available Dataset of Chest Radiographs with Free-text Reports. 2025
• 31 Choy G, Khalilzadeh O, Michalski M. et al. Current Applications and Future Impact of Machine Learning in Radiology. Radiology 2018; 288: 318-328
• 32 Stutz D, Cemgil AT, Roy AG. et al. Evaluating medical AI systems in dermatology under uncertain ground truth. Med Image Anal 2025; 103: 103556
• 33 Abràmoff MD, Tarver ME, Loyo-Berrios N. et al. Considerations for addressing bias in artificial intelligence for health equity. Npj Digit Med 2023; 6
• 34 Gillespie N, Lockey S, Curtis C. et al. Trust in Artificial Intelligence: A Global Study. The University of Queensland and KPMG Australia 2023;
• 35 Reis M, Reis F, Kunde W. Influence of believed AI involvement on the perception of digital medical advice. Nat Med 2024; 30: 3098-3100
• 36 Salahuddin Z, Woodruff HC, Chatterjee A. et al. Transparency of deep neural networks for medical image analysis: A review of interpretability methods. Comput Biol Med 2022; 140: 105111
• 37 Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence and amending Regulations (EC) No. 300/2008, (EU) No. 167/2013, (EU) No. 168/2013, (EU) 2018/858, (EU) 2018/1139 and (EU) 2019/2144 and Directives 2014/90/EU, (EU) 2016/797 and (EU) 2020/1828 (Artificial Intelligence Regulation) (text with EEA relevance).
• 38 REGULATION (EU) 2016/679 OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL – of 27 April 2016 – n the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation).
• 39 Rehman MHU, Hugo Lopez Pinaya W, Nachev P. et al. Federated learning for medical imaging radiology. Br J Radiol 2023; 96: 20220890
• 40 Strubell E, Ganesh A, McCallum A. Energy and Policy Considerations for Deep Learning in NLP. 2019
• 41 Doo FX, Vosshenrich J, Cook TS. et al. Environmental Sustainability and AI in Radiology: A Double-Edged Sword. Radiology 2024; 310: e232030
• 42 Chen MM, Golding LP, Nicola GN. Who Will Pay for AI?. Radiol Artif Intell 2021; 3: e210030
• 43 Kotter E, D’Antonoli TA, Cuocolo R. et al. Guiding AI in radiology: ESR’s recommendations for effective implementation of the European AI Act. Insights Imaging 2025; 16