MD.ai ist eine auf Radiologie spezialisierte KI-Plattform für strukturierte Bildannotation, Multi-Reader-Workflows und Peer-Review-Prozesse. Die Plattform ermöglicht es mehreren Radiologinnen und Radiologen, dieselben Bildsätze unabhängig zu befunden und die Abweichungen anschließend strukturiert auszuwerten.
Kosten: Preise auf Anfrage; Enterprise-Lizenzmodell je nach Studienvolumen und Nutzeranzahl
Stärken
- DICOM-native Viewer mit radiologischen Hangingprotokollen
- Strukturierte Annotationstemplates für standardisierte Befundklassifikation
- Multi-Reader-Workflows mit automatischem Konsensus-Tracking
- Audit-Logs für alle Befundentscheidungen — lückenlose Nachvollziehbarkeit
- Integration mit gängigen PACS-Systemen
Einschränkungen
- Keine deutsche Benutzeroberfläche und kein deutschsprachiger Support
- Datenhaltung ausschließlich in US-amerikanischen Rechenzentren — DSGVO-Konformität muss durch AVV abgesichert werden
- Enterprise-Preisgestaltung nicht transparent; für kleinere Abteilungen oft zu kostspielig
- Schwerpunkt liegt auf strukturierter Bildannotation, nicht auf freier Befundtext-Analyse
Passt gut zu
So steigst du ein
Schritt 1: Demo über die Website anfragen und klären, ob das Studienvolumen und die PACS-Integration mit eurer Infrastruktur kompatibel ist. Wichtig: DSGVO-Situation vorab ansprechen, da Datenhaltung in den USA erfolgt.
Schritt 2: Annotation-Templates für eure häufigsten Befundkategorien konfigurieren (z. B. Lunge: Rundherd-Charakterisierung nach Fleischner, Leber: LI-RADS, Brust: BI-RADS). MD.ai liefert Standardtemplates, die angepasst werden können.
Schritt 3: Multi-Reader-Studie starten: Identische Bildsätze an zwei oder mehr Radiologinnen und Radiologen vergeben, Abweichungen automatisch tracken und im integrierten Dashboard auswerten.
Ein konkretes Beispiel
Eine Universitätsradiologie mit 8 Fachärztinnen und Fachärzten möchte die Interrater-Variabilität bei der Klassifikation von Lungenrundherden messen. Über 500 CT-Thorax-Studien werden in MD.ai hochgeladen. Alle Befundenden klassifizieren unabhängig voneinander nach Fleischner. Das System berechnet Cohens Kappa automatisch: 0,42 — mäßige Übereinstimmung. Die Auswertung zeigt, dass die größten Abweichungen bei Herden zwischen 6 und 8 mm auftreten. Das Ergebnis wird im nächsten Qualitätszirkel präsentiert und führt zu einem internen Konsensusprotokoll.
Diesen Inhalt teilen:
Empfohlen in 1 Use Cases
Gesundheitswesen
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.
Weitere Tools
3DCS Variation Analyst
Dimensional Control Systems (DCS)
3DCS Variation Analyst ist der Industriestandard für 3D-Toleranzanalyse in der Automobilbranche — verfügbar als CAD-Plugin für CATIA V5/V6, SOLIDWORKS, NX und als CAD-neutrale Standalone-Version. Das Tool montiert Bauteile virtuell unter Berücksichtigung von Fertigungstoleranzen und berechnet Maßketten-Ergebnisse statistisch über Monte-Carlo-Simulation.
Mehr erfahrenBeamex CMX
Beamex Oy Ab
Beamex CMX ist eine spezialisierte Kalibrierverwaltungs-Software für regulierte Umgebungen. Sie dokumentiert Kalibrierhistorien, berechnet Messunsicherheiten, erkennt Drifttrends über Kalibrierzyklen hinweg und erzeugt auditfeste Berichte nach ISO 17025, GMP und FDA 21 CFR Part 11. Integriert mit Beamex-Kalibriergeräten und offener API für LIMS-Anbindung.
Mehr erfahrencallas pdfToolbox
callas software GmbH
callas pdfToolbox ist die führende Preflight- und PDF-Korrektur-Software für Druckereien und Druckvorstufen-Teams. Sie prüft PDFs automatisch auf über 200 Druckfehler und korrigiert viele davon selbstständig — von falschen Farbprofilen über Auflösungsprobleme bis zu fehlenden Beschnittzugaben.
Mehr erfahren