KI für Ultraschall: Wie die Technologie sich entwickelt

Bekannt aus

Presseberichte über Medizinio auf der Seite Über uns

Was bedeutet KI im Ultraschall konkret?

Künstliche Intelligenz im Ultraschall bezeichnet den Einsatz neuronaler Netzwerke zur automatisierten Bildoptimierung, Vermessung und Interpretation von Sonografie-Aufnahmen. Die Technologie übernimmt Aufgaben, die bislang ausschließlich geschulte Untersucher manuell durchführten.

Abgrenzung: Bildoptimierung vs. automatisierte Befundinterpretation

Zwei technisch unterschiedliche KI-Funktionsebenen prägen den heutigen Ultraschall. Die erste Ebene optimiert Bildparameter automatisch — Kontrast, Tiefenausgleich, Doppler-Einstellungen. Sie reduziert damit die Untersucherabhängigkeit klassischer Sonografie. Die zweite, deutlich weitreichendere Ebene interpretiert Bildinhalte selbst: Sie klassifiziert anatomische Strukturen, vermisst Organe automatisch und markiert auffällige Befunde. Moderne Systeme wie das Acuson Origin von Siemens Healthineers erreichen bei der automatischen Ansichts-Klassifikation Genauigkeitswerte um 99 Prozent.

Technologische Basis: Deep Learning und neuronale Netzwerke in der Bildgebung

Deep-Learning-Modelle trainieren auf großen Mengen annotierter Ultraschallbilder. Daraus lernen sie Muster, die auf pathologische Veränderungen hindeuten. Diese Modelle generalisieren über verschiedene Patientenkollektive hinweg — vorausgesetzt, die Trainingsdaten decken ausreichend diverse Fälle ab. Genau diese Datenabhängigkeit begrenzt aktuell noch die Übertragbarkeit einzelner KI-Anwendungen zwischen unterschiedlichen Versorgungssettings: Laut DEGUM werden derzeit nur rund drei Prozent aller in Krankenhäusern erhobenen Daten tatsächlich für KI-Anwendungen genutzt. Die Verfügbarkeit qualitativ hochwertiger, datenschutzkonform aufbereiteter Trainingsdaten bleibt damit ein limitierender Faktor für die weitere Modellentwicklung.

Vier technologische Funktionsstufen entlang der Bildgebungskette

Die KI-Integration lässt sich in vier aufeinander aufbauende Stufen gliedern: 

1. Die Optimierung der Rohdaten-Akquisition durch adaptives Beamforming, das Schallgeschwindigkeits-Inhomogenitäten in Echtzeit kompensiert. 
2. Die automatisierte Standardebenen-Erkennung, die insbesondere in der Echokardiographie und der pränatalen Diagnostik die Navigation unterstützt. 
3. Die automatisierte Organsegmentierung und Biometrie („Zero-Click“-Messungen) zur Ableitung von Parametern wie der linksventrikulären Ejektionsfraktion. 
4. Die diagnostische Entscheidungsunterstützung, die morphologische Kriterien automatisch in Klassifikationsschemata wie BI-RADS oder TI-RADS übersetzt.

Welche Entwicklungsstufen hat die Technologie durchlaufen?

Die Integration von KI in den Ultraschall verlief in klar abgrenzbaren Phasen — von ersten Assistenzfunktionen bis zur heutigen Automatisierung ganzer Untersuchungsabläufe.

Von manueller Bildoptimierung zu automatisierten Messfunktionen

Frühe KI-Anwendungen im Ultraschall beschränkten sich auf Bildverbesserung: Rauschunterdrückung, automatische Helligkeitsanpassung, vereinfachte Geräteeinstellungen. Der nächste Entwicklungsschritt brachte automatisierte Messfunktionen hervor, etwa die automatische Platzierung von Doppler-Messpunkten. Aktuelle Systeme gehen einen Schritt weiter: Das AI-Abdomen-Modul des Acuson Sequoia erkennt und beschriftet 17 anatomische Ansichten sowie 12 Routinemessungen automatisch — innerhalb weniger Sekunden.

Meilenstein: KI-gestützte Brustkrebsdiagnostik bei dichtem Brustgewebe

Ein zentraler klinischer Durchbruch betrifft die Mammasonographie. Bei Patientinnen mit dichtem Brustgewebe stößt die klassische Mammografie an diagnostische Grenzen: Dichtes Gewebe erschwert die Abgrenzung von Tumorgewebe im Röntgenbild erheblich. Bei etwa der Hälfte aller Patientinnen liegt ein solches dichtes Brustgewebe vor. Die Sensitivität der Mammografie sinkt in diesen Fällen von knapp 90 Prozent auf rund 50 Prozent. KI-gestützter Ultraschall detektiert Karzinome in diesen Fällen zuverlässiger, wie Experten der Deutschen, Österreichischen und Schweizerischen Gesellschaft für Ultraschall in der Medizin (DEGUM, ÖGUM, SGUM) beim Dreiländertreffen 2023 in Mainz darlegten. Eine zitierte Studie zeigt: Mit KI-gestütztem, automatisiertem 3D-Brustultraschall lassen sich in einem Screening-Setting rund drei zusätzliche Karzinome pro 1.000 Untersuchungen finden, die sonst übersehen worden wären. Ein Beispiel für diesen Gerätetyp ist das Invenia ABUS 2.0 von GE Healthcare. Es steigert laut klinischen Studien die Erkennung kleiner, invasiver Karzinome in dichtem Gewebe um mehr als die Hälfte, wenn Ärzte es ergänzend zur Mammografie einsetzen.

Aktueller Stand: Automatisierung, Workflow-Integration, Wirtschaftlichkeitsdruck

Der aktuelle Entwicklungsstand ist von zwei parallelen Kräften geprägt: technologischem Fortschritt und ökonomischem Druck. Gesundheitssysteme verlangen zunehmend belastbare Evidenz für den klinischen und wirtschaftlichen Nutzen diagnostischer Verfahren, bevor neue Technologien breite Erstattung erhalten. KI-Ultraschall muss sich diesem Nachweis stellen — Geschwindigkeit und Wirtschaftlichkeit entscheiden zunehmend über den Markterfolg einzelner Systeme. Ein weiterer Faktor betrifft die Aus- und Weiterbildung: KI-Systeme erreichen bei der Auswertung von 3D-Ultraschalldatensätzen bereits eine höhere Genauigkeit als Ärzte am Anfang ihrer sonografischen Ausbildung. Damit kann KI einerseits als Sicherheitsnetz für wenig erfahrene Untersucher dienen, andererseits im Training junger Kollegen strukturiertes Feedback liefern.

In welchen medizinischen Bereichen wird KI-Ultraschall bereits eingesetzt?

Die klinischen Einsatzgebiete von KI-Ultraschall reichen von der Kardiologie über die Geburtshilfe bis zum Operationssaal.

Kardiologie, Geburtshilfe, periphere Gefäßdiagnostik

In der Kardiologie reduziert KI-Unterstützung die Messvariabilität bei der Echokardiographie erheblich. Das HeartAI-Modul im Acuson Origin liefert bei der Vermessung der linken Herzkammer eine Genauigkeit von 98 Prozent und wertet mit der 4D-HeartAI-Funktion alle vier Herzkammern in Echtzeit aus. Auch die Dopplersonografie profitiert: KI-gestützte Systeme automatisieren die Positionierung von Farb- und Spektraldoppler-Messungen bei der Gefäßdiagnostik — einem Standardverfahren in Kardiologie, Geburtshilfe und peripherer Gefäßmedizin.

Pränataldiagnostik: KI-gestützte Fehlbildungserkennung

Auch die pränatale Ultraschalldiagnostik profitiert zunehmend von KI-Unterstützung. Eine von 33 Schwangerschaften ist in Europa von Fehlbildungen betroffen — ihre frühzeitige Erkennung hat entsprechend hohes klinisches Gewicht. Eine große Cochrane-Übersichtsarbeit wertete Studien mit über 7 Millionen Schwangerschaften aus und zeigt die Grenzen des konventionellen Vorgehens: Ein einzelner früher Ultraschall zwischen der 11. und 14. Schwangerschaftswoche entdeckt nur 38 Prozent der Fehlbildungen, eine Untersuchung um die 18. bis 24. Woche 51 Prozent. Erst die Kombination beider Untersuchungen erhöht die Erkennungsrate auf 84 Prozent. An dieser Lücke setzen neue KI-Werkzeuge an: Die Software des US-Start-ups BioticsAI ist seit Januar 2026 von der FDA für den klinischen Einsatz zugelassen. Sie analysiert Bilder in Echtzeit, prüft die Bildqualität, kontrolliert die Sichtbarkeit aller Körperpartien und markiert Auffälligkeiten etwa am Herzen oder an den Gliedmaßen. Nach Angaben der Entwickler spart sie rund acht Minuten pro Patientin. Auch europäische Anbieter sind aktiv: Die französischen Unternehmen Diagnoly und Sonio Detect haben für ihre KI-gestützte Ultraschallsoftware zur Pränataldiagnostik eine europäische Zulassung erhalten. Sie erkennen automatisch fetale Körperstrukturen sowie Herzprobleme. GE Healthcare verfolgt mit der Anwendung SonoCNS einen ähnlichen Ansatz für die Vermessung und Analyse des fetalen Gehirns.

Intraoperativer Einsatz und interventionelle Sonografie

Seit den 1970er-Jahren dient Ultraschall auch interventionell, etwa bei der Gewebeprobenentnahme. Der intraoperative Einsatz gewinnt zunehmend wissenschaftliche Evidenz, wie DEGUM-Präsident Prof. Markus Hahn beim Ultraschallkongress in Mainz betonte. KI-Unterstützung erleichtert hier die Echtzeit-Orientierung während des Eingriffs und reduziert die Abhängigkeit von der individuellen Erfahrung des Operateurs.

Point-of-Care-Ultraschall: Handheld-Geräte im Praxis- und Klinikalltag

Handheld-Ultraschallsysteme verbinden Ultraschall-Hardware mit Smartphone-Anzeige und bringen KI-Unterstützung direkt an den Behandlungsort. Die Software Caption AI von GE HealthCare – integriert in den Vscan Air SL – befähigt medizinisches Personal ohne sonografische Spezialausbildung, kardiale Ultraschallbilder eigenständig aufzunehmen und zu interpretieren. GE HealthCare hatte die Technologie 2023 durch die Übernahme von Caption Health in sein Portfolio integriert, seit August 2023 als Vscan Air SL, mit Caption AI als Weiterentwicklung. Dieser Ansatz macht Point-of-Care-Diagnostik auch außerhalb spezialisierter Fachabteilungen zugänglich. 

Tipp: Prüfen Sie bei Handheld-Systemen mit KI-Guidance gezielt, für welche Indikationen eine offizielle Zulassung vorliegt. Die Freigabe erfolgt in der Regel indikationsspezifisch, nicht pauschal für alle Anwendungsbereiche.

Welche Hersteller und Systeme treiben die Entwicklung voran?

KI-Funktionen sind mittlerweile bei nahezu allen Herstellern von Ultraschallsystemen Standard – von stationären Premium-Ultraschallgeräten bis hin zu Handheld-Lösungen. Die Ausprägung unterscheidet sich dabei deutlich: von automatisierter Bildanalyse und Messfunktionen bis hin zu spezialisierten Guidance- und Interpretationshilfen für Nicht-Spezialisten. Eine Übersicht der wichtigsten Anbieter und ihrer jeweiligen KI-Funktionen finden Sie in der folgenden Tabelle. 

Anbieter, KI-Funktion und Anwendungsschwerpunkt im Überblick

Trend: KI-gestützte Workflow-Automatisierung statt reiner Bildverbesserung

Der Wettbewerb zwischen den Herstellern verlagert sich sichtbar: Reine Bildqualitätsverbesserung gilt inzwischen als Standardausstattung, nicht mehr als Differenzierungsmerkmal. Anbieter positionieren ihre Systeme stattdessen über Workflow-Automatisierung — weniger manuelle Schritte, geringere Untersucherabhängigkeit, kürzere Untersuchungszeiten.

Wie verändert sich der Markt für KI-Ultraschall wirtschaftlich?

Der globale Markt für diagnostischen Ultraschall zeigt über das kommende Jahrzehnt ein stabiles Wachstum. KI-Funktionen zählen dabei zunehmend zu den Wachstumstreibern.

Marktvolumen und Wachstumsprognose

Nach Angaben von Global Market Insights lag der globale Markt für diagnostischen Ultraschall 2025 bei 8,5 Milliarden US-Dollar. Bis 2035 soll er auf 13,4 Milliarden US-Dollar wachsen — das entspricht einer jährlichen Wachstumsrate von 4,7 Prozent. Als Wachstumschance nennt der Bericht explizit die Integration von KI und fortschrittlichen Bildgebungstechnologien.

Treiber: demografischer Wandel, Fachkräftemangel, Kosten-Nutzen-Druck

Mehrere Faktoren treiben das Marktwachstum gemeinsam an: die wachsende ältere Bevölkerung, steigende Prävalenz chronischer Erkrankungen und technologische Fortschritte bei den Geräten selbst. Gleichzeitig begrenzt der Mangel an qualifiziertem Fachpersonal die Diagnostikverfügbarkeit — insbesondere in strukturschwachen Regionen. KI-gestützte Guidance-Systeme wie Caption AI adressieren genau diese Lücke: Sie befähigen auch weniger spezialisiertes Personal, diagnostisch verwertbare Aufnahmen zu erstellen.

Wohin entwickelt sich KI-Ultraschall in den nächsten Jahren?

Die weitere Entwicklung von KI-Ultraschall wird stärker von den regulatorischen Rahmenbedingungen für KI in der Medizin abhängen als von rein technologischem Fortschritt. Eine zunehmende Standardisierung von KI-Messfunktionen über Herstellergrenzen hinweg ist wahrscheinlich. Sie bleibt aber von der regulatorischen Entwicklung abhängig.

Erwartete Trends: höhere Automatisierung, Integration in Diagnosepfade, Standardisierung

KI-Ultraschall bewegt sich absehbar von der isolierten Einzelfunktion hin zur Integration in umfassendere klinische Entscheidungspfade — vergleichbar mit Systemen wie dem AI-Pathway Companion, der KI-basierte Entscheidungsunterstützung über den gesamten Behandlungsverlauf hinweg bündelt. Eine zunehmende Standardisierung von KI-Messfunktionen über Herstellergrenzen hinweg ist wahrscheinlich. Sie bleibt aber von der regulatorischen Entwicklung abhängig.

Offene Fragen: Regulatorik, Haftung, Grenzen der Technologie

Ungeklärt bleiben zentrale Fragen der Haftungszuordnung bei KI-gestützten Fehldiagnosen sowie der regulatorischen Einordnung selbstlernender Systeme, die sich nach Marktzulassung weiterentwickeln. Auch die Datenbasis der Trainingsmodelle begrenzt aktuell noch die Übertragbarkeit einzelner KI-Anwendungen zwischen unterschiedlichen Patientenkollektiven und Versorgungssettings.

FAQ: Häufige Fragen zu KI im Ultraschall