MD.ai

Kurzfazit

MD.ai ist ein ernstzunehmendes Werkzeug für medizinische Bildgebung, mit zwei klar getrennten Aufgaben: Der Annotator baut hochwertige DICOM-Trainingsdatensätze für eigene KI-Modelle, das Modul Reporting beschleunigt die klinische Befunderstellung per Large Language Model. Die Referenzliste (Mayo Clinic, Stanford, NIH, Cleveland Clinic, Bayer, J&J) und der FDA-510(k)-zugelassene Viewer zeigen: Hier arbeitet eine Plattform auf Forschungs- und Klinikniveau, nicht ein Annotationsspielzeug. Für deutsche Häuser bleibt MD.ai aber eine Abwägung: keine deutsche Oberfläche, kein deutscher Support, intransparente Enterprise-Preise und eine US-zentrierte Datenhaltung, die du für DSGVO-Konformität erst vertraglich einhegen musst. Stark in der Sache, schwierig im hiesigen Compliance-Umfeld.

Für wen ist MD.ai?

Universitätskliniken und Maximalversorger: Wer große Bildbestände strukturiert annotieren und daraus Trainingsdaten für eigene oder Drittmodelle gewinnen will, bekommt mit dem Annotator ein skalierbares, DICOM-natives Werkzeug. Die automatische PHI-Erkennung und De-Identifizierung nimmt einen großen Teil der Datenschutz-Vorarbeit ab, bevor Daten in Forschungspipelines wandern.

Forschungsgruppen für Medical-Imaging-KI: MD.ai ist im akademischen Umfeld etabliert (das öffentliche Tutorial-Repository ml-lessons und die offenen Hub-Projekte sind frei zugänglich). Wer Multi-Reader-Studien, Agreement-Analysen oder Modellvalidierung mit nachvollziehbaren Annotationen braucht, findet hier die passenden Bausteine samt Entwickler-APIs.

Radiologieabteilungen mit Reporting-Fokus: Das Reporting-Modul setzt LLMs gezielt für die Befunderstellung ein, Vorlagenwahl, Impressionsgenerierung, Leitlinien-Einbindung (BI-RADS, LI-RADS, TI-RADS), Proofreading und Abrechnungscodierung. Für Häuser, die ihre Befund-Workflows beschleunigen wollen und die Integration in EHR/HIS/RIS bereits planen, ist das ein konkreter Hebel.

Pharma- und MedTech-Unternehmen: Hersteller wie Bayer und Johnson & Johnson nutzen die Plattform, um klinische Bilddaten für Studien und Modellentwicklung aufzubereiten. Die Kombination aus FDA-zugelassenem Viewer, De-ID und APIs passt zu regulierten Entwicklungsprozessen.

Weniger geeignet für: Niedergelassene Einzelpraxen ohne IT-Abteilung (Enterprise-Vertrieb, kein Selbstbedienungs-Tarif), Teams, die eine rein deutschsprachige Lösung mit deutschem Support brauchen, allgemeine Computer-Vision-Projekte außerhalb der Medizin (dafür sind Roboflow oder Landing AI passender) und alle, die einen klaren, DSGVO-fertigen Standardvertrag erwarten statt einer individuellen Compliance-Verhandlung.

Preise im Detail

Angebot	Preis	Was du bekommst
Öffentliche Hub-Projekte (Annotator)	0 USD	Zugang zu öffentlichen Annotationsprojekten und Tutorials (ml-lessons), ideal für Lehre und erste Tests
Annotator (produktiv)	Auf Anfrage	Private Projekte, DICOM-Viewer, KI-assistierte Annotation, PHI/De-ID, Entwickler-APIs, Skalierung nach Studienvolumen
Reporting	Auf Anfrage	LLM-gestützte Befunderstellung, HL7/DICOM-Integration in EHR/HIS/RIS, Abrechnungscodierung, Mehrgeräte-Sync
Enterprise / Institution	Auf Anfrage	Mengen- und Nutzerlizenzen, BAA, dediziertes Onboarding, individuelle Hosting- und Integrationsvereinbarungen

Einordnung: MD.ai betreibt einen klassischen Enterprise-Vertrieb, es gibt keine veröffentlichte Preisliste und keinen Self-Service-Tarif. Der Einstieg läuft immer über eine Demo-Anfrage, und der Preis hängt von Studienvolumen, Nutzerzahl und Integrationstiefe ab. Positiv: Öffentliche Hub-Projekte und die Tutorials sind frei nutzbar, was den Annotator für Lehre und Evaluation ungewöhnlich zugänglich macht. Für eine produktive klinische Einführung gilt aber: Ohne Budget für Enterprise-Software und ohne IT-Ressourcen für die HL7/DICOM-Anbindung wird es eng. Kleine Abteilungen sollten den Aufwand realistisch kalkulieren, bevor sie in eine Demo gehen.

Stärken im Detail

FDA-510(k)-zugelassener DICOM-Viewer. Der Bildbetrachter ist nicht nur ein technisches Anzeigefenster, sondern als Medizinprodukt zugelassen. Das hebt MD.ai über reine Datenlabeling-Plattformen hinaus und ist relevant, sobald Befundung oder Validierung in einem regulierten Kontext stattfinden. Native DICOM-Unterstützung bedeutet außerdem: keine Konvertierungsverluste, keine Hilfsformate.

KI-assistierte Annotation mit eingebautem Datenschutz. Der Annotator beschleunigt das Labeling durch KI-Vorschläge und erkennt geschützte Gesundheitsdaten (PHI) automatisch, um sie zu de-identifizieren. Damit löst die Plattform genau den Engpass, der medizinische KI-Projekte sonst aufhält: aus Rohbildern rechtssicher nutzbare Trainingsdaten zu machen.

LLM-gestützte Befunderstellung als zweites Standbein. Das Reporting-Modul ist keine Annotationsfunktion, sondern ein eigenständiges Werkzeug für den klinischen Alltag: automatische Vorlagenwahl, Mapping diktierter Schlüsselbefunde, Impressionsgenerierung, Vergleich mit Vorbefunden und Einbindung von Leitlinien wie BI-RADS, LI-RADS und TI-RADS. Hinzu kommen automatisierte Abrechnungscodierung und Proofreading. MD.ai bezeichnet das ausdrücklich als Turnkey-Lösung, die kein eigenes Modelltraining verlangt.

Tiefe Workflow-Integration. MD.ai dockt über HL7/DICOM an EHR/HIS/RIS an, unterstützt Diktiermikrofone wie das Philips SpeechMike, läuft auf Desktop, Tablet und Mobilgerät und synchronisiert über Geräte hinweg. Die Mehrziel-Verteilung (HL7, DICOM, PDF, E-Mail) und patientenfreundliche Audionachrichten zeigen, dass an den realen Klinik-Workflow gedacht wurde, nicht nur an die Modellentwicklung.

Entwickler-APIs und Modell-Deployment. Für Forschungs- und KI-Teams entscheidend: MD.ai erlaubt nicht nur das Annotieren, sondern auch das Deployen und Validieren eigener Modelle über APIs. Damit schließt sich der Kreis vom Datensatz über das Training bis zur Modellprüfung innerhalb einer Plattform.

Belastbare Referenzbasis. Mayo Clinic, Stanford, NIH, Cleveland Clinic, UCSF, Northwestern, Emory, RSNA, Philips, Bayer und Johnson & Johnson stehen als Kunden auf der Startseite. Eine solche Liste ersetzt keine eigene Evaluation, ist aber ein deutliches Signal für Reife und institutionelle Tragfähigkeit.

Schwächen ehrlich betrachtet

Keine deutsche Oberfläche, kein deutscher Support. Das Reporting-Modul wirbt zwar mit mehrsprachiger Ausgabe, aber Benutzeroberfläche, Dokumentation und Support sind englisch. Für deutsche Kliniken, in denen nicht jede Pflege- und Verwaltungskraft sicher auf Englisch arbeitet, ist das eine echte Einführungshürde. Workaround: kaum einer, englischsprachiges Personal und interne Schulungen sind Voraussetzung.

US-zentrierte Datenhaltung ohne offene EU-Region. Die Datenschutzerklärung nennt Verarbeitung „in den USA und an anderen Standorten” und stellt regionales Hosting nur als vertragliche Option in Aussicht, eine native EU-Region wird nicht offen beworben. Für Patientendaten in Deutschland heißt das: Du musst die DSGVO-Konformität (Standardvertragsklauseln, AVV, ggf. regionales Hosting) im Vertrag aktiv erstreiten, statt sie als Standard zu bekommen.

Vollständig intransparente Preise. Es gibt keine öffentliche Preisliste, keinen Probetarif und keinen Self-Service-Einstieg in die produktive Nutzung. Jede Evaluation beginnt mit einer Demo-Anfrage und einem Vertriebsgespräch. Das erschwert die Vergleichbarkeit und macht Budgetplanung ohne direkten Kontakt unmöglich.

Zwei Produkte, ein Name. Annotator und Reporting lösen sehr unterschiedliche Probleme, Datensatzaufbau versus klinischer Befund-Workflow. Wer „MD.ai einführen” sagt, muss zuerst klären, welches Modul gemeint ist, wer es nutzt und wie die beiden zusammenspielen. Das ist kein Mangel, aber eine Komplexität, die im Auswahlprozess unterschätzt wird.

Kein eigenständiges Diagnose-KI-Produkt. MD.ai liefert die Werkzeuge, um Modelle zu bauen, zu validieren und Befunde zu beschleunigen, aber es ist keine fertige diagnostische KI, die Befunde selbstständig stellt. Wer eine zugelassene Detektions- oder Triage-KI sucht (etwa für Schlaganfall oder Lungenrundherde), braucht zusätzlich spezialisierte Anbieter.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Deutschsprachige klinische Befund-Diktatlösung brauchst	Dragon Medical One
Allgemeine Computer-Vision-Datensätze annotieren und Modelle trainieren willst	Roboflow
Bildverarbeitung ohne ML-Team aufbauen willst (No-Code)	Landing AI
Eine FDA-zugelassene Diagnose-Bildplattform suchst (Pathologie)	PathAI AISight
Deutschsprachige medizinische Bilddokumentation am Patientenbett brauchst	imitoWound

Erwähnenswert ohne direkten Eins-zu-eins-Vergleich: Encord, Labelbox und V7 sind starke generische Annotationsplattformen mit DICOM-Unterstützung, aber ohne MD.ais Klinik-Workflow-Tiefe. MD.ai ist kein Allzweck-Labelingtool, seine Stärke ist die Spezialisierung auf Radiologie und der zugelassene DICOM-Viewer. Für deutsche Häuser ist die ehrliche Einordnung: Wer nur strukturierte Befund-Diktate will, fährt mit Dragon Medical One einfacher; wer Trainingsdaten für Forschung braucht, sollte MD.ai gegen die generischen Plattformen testen; und wer eine fertige Diagnose-KI sucht, ist hier grundsätzlich falsch.

So steigst du ein

Schritt 1: Kläre zuerst intern, welches der beiden Module du wirklich brauchst, den Annotator (Trainingsdaten, Modellvalidierung) oder Reporting (klinischer Befund-Workflow). Beide gemeinsam einzuführen ist möglich, aber teurer und komplexer. Für eine kostenlose erste Berührung mit dem Annotator reichen die öffentlichen Hub-Projekte und die ml-lessons-Tutorials auf GitHub.

Schritt 2: Fordere über die Website eine Demo an und gehe mit konkreten Eckdaten ins Gespräch: erwartetes Studienvolumen, Nutzerzahl, vorhandenes PACS/RIS und, entscheidend, eure DSGVO-Anforderungen. Sprich die Datenhaltung explizit an und frage nach regionalem Hosting, AVV und Business Associate Agreement (BAA), bevor irgendwelche Patientendaten fließen.

Schritt 3: Starte mit einem klar abgegrenzten Pilotprojekt. Beim Annotator: konfiguriere Annotationsvorlagen für eure häufigsten Befundkategorien (z. B. Lunge nach Fleischner, Leber nach LI-RADS, Mamma nach BI-RADS) und teste das De-ID-Verfahren an einem nicht-produktiven Datensatz. Beim Reporting: lass eine Handvoll Radiologinnen und Radiologen die LLM-gestützte Impressionsgenerierung im Parallelbetrieb gegen den bisherigen Workflow messen.

Ein konkretes Beispiel

Eine Universitätsradiologie mit 8 Fachärztinnen und Fachärzten will die Interrater-Variabilität bei der Klassifikation von Lungenrundherden messen. Über 500 CT-Thorax-Studien werden in den MD.ai-Annotator hochgeladen, automatisch de-identifiziert und über Annotationsvorlagen nach Fleischner klassifiziert. Alle Befundenden arbeiten unabhängig voneinander, anschließend wertet das Team das Agreement im integrierten Dashboard aus, Cohens Kappa liegt bei 0,42, also mäßige Übereinstimmung, mit den größten Abweichungen bei Herden zwischen 6 und 8 mm. Das Ergebnis fließt in ein internes Konsensusprotokoll, das im nächsten Qualitätszirkel beschlossen wird. Im zweiten Schritt nutzt dieselbe Abteilung die annotierten Daten, um über die Entwickler-APIs ein eigenes Klassifikationsmodell zu validieren. Zeitersparnis gegenüber der bisherigen, manuell in Excel geführten Agreement-Auswertung: rund zwei Arbeitstage pro Studie. Voraussetzung war, dass die Datenhaltung vorab vertraglich mit AVV und regionalem Hosting abgesichert wurde, der Datenschutzbeauftragte hatte das zur Bedingung gemacht.

DSGVO & Datenschutz

• Datenhosting: Primär USA, laut Datenschutzerklärung „und an anderen Standorten”, regionales Hosting ist als vertragliche Option möglich, eine native EU-Region wird aber nicht offen beworben. Anbieter ist MD.ai, Inc.
• Zertifizierung: Rechenzentren nach ISO 27001; HIPAA-Konformität mit Business Associate Agreement (BAA) für Covered Entities. SOC-2- oder GDPR-spezifische Zertifizierungen werden öffentlich nicht ausgewiesen.
• Datennutzung: MD.ai gibt an, Kundendaten ohne ausdrückliche Erlaubnis nicht zum Training von Foundation-Modellen für andere Kunden zu verwenden. Betriebsprotokolle werden temporär zugeordnet und danach aggregiert oder anonymisiert.
• PHI-Schutz: Automatische Erkennung geschützter Gesundheitsdaten und De-Identifizierung sind in den Annotator eingebaut, ein echter Vorteil für die rechtssichere Datenaufbereitung.
• Auftragsverarbeitung (AVV): Kein veröffentlichter Standard-AVV; für deutsche Kunden muss ein AVV mit Standardvertragsklauseln und idealerweise regionalem Hosting individuell verhandelt werden.
• Empfehlung für Unternehmen: Vor jeder Patientendaten-Verarbeitung eine Datenschutz-Folgenabschätzung durchführen und Hosting-Region, AVV/BAA sowie Drittlandtransfer schriftlich klären. Für DSGVO-kritische Routine in deutschen Häusern ist MD.ai nur mit sauberem Vertragswerk vertretbar.

Gut kombiniert mit

• Dragon Medical One, die deutschsprachige Spracherkennung diktiert Befunde, MD.ai Reporting strukturiert und vervollständigt sie per LLM. Das Zusammenspiel aus präzisem Diktat und automatischer Vorlagen-/Impressionslogik nimmt den repetitiven Teil der Befundung ab.
• Epic EHR, MD.ai dockt über HL7/DICOM an EHR/HIS/RIS an. In Häusern mit Epic (oder einem deutschen KIS) ist das EHR das Zielsystem, in das fertige Befunde und Codes zurückfließen, die Integration entscheidet über den praktischen Nutzen.
• PathAI AISight, wer eine breitere digitale Diagnostik-Strategie aufbaut, deckt mit PathAI die Pathologie und mit MD.ai die Radiologie ab. Beide setzen auf FDA-zugelassene Werkzeuge und offene Schnittstellen, sodass sich ein modalitätsübergreifender KI-Stack ergibt.

Unser Testurteil

MD.ai verdient 3 von 5 Sternen. Fachlich ist die Plattform stark: ein FDA-zugelassener DICOM-Viewer, ausgereifte KI-assistierte Annotation mit eingebautem PHI-Schutz, ein eigenständiges LLM-Reporting-Modul und eine Referenzliste, die von Mayo Clinic über Stanford bis Bayer reicht. Für Forschungs- und Maximalversorger-Umgebungen ist das ein ernstzunehmendes Werkzeug. Die fehlenden Sterne kosten dem Anbieter die hiesige Realität: keine deutsche Oberfläche, kein deutscher Support, US-zentrierte Datenhaltung ohne offen beworbene EU-Region und eine komplett intransparente, vertriebsgetriebene Preisgestaltung. Für ein deutsches Haus bedeutet das spürbaren Mehraufwand in Compliance und Einführung. Wer diese Hürden mit IT, Datenschutz und Budget stemmen kann, bekommt eine reife Spezialplattform, wer „nur” deutschsprachige Befund-Diktate oder eine fertige Diagnose-KI sucht, ist anderswo besser aufgehoben.

Was wir bemerkt haben

• 2025/2026, MD.ai hat sich vom reinen Annotations-Anbieter zu einer Zwei-Säulen-Plattform entwickelt: Neben dem etablierten Annotator steht jetzt das LLM-gestützte Reporting-Modul gleichberechtigt im Mittelpunkt der Website. Wer MD.ai noch als reines Labeling-Tool im Kopf hat, übersieht die Hälfte des Produkts.
• Mai 2026, Eine native EU-Hosting-Region wird weiterhin nicht offen beworben. Die Datenschutzerklärung stellt regionales Hosting nur als vertragliche Option in Aussicht, für deutsche Kliniken bleibt die DSGVO-Konformität damit eine Verhandlungssache, kein Standard.
• Mai 2026, Der DICOM-Viewer ist FDA-510(k)-zugelassen, was MD.ai von rein technischen Annotationsplattformen abhebt. Eine vergleichbare europäische CE-IVD- oder MDR-Einordnung kommuniziert der Anbieter öffentlich nicht, relevant für Häuser, die regulatorische Nachweise für den hiesigen Markt brauchen.
• Laufend, Die öffentlichen Hub-Projekte und das Tutorial-Repository ml-lessons bleiben kostenlos zugänglich. Für Lehre, Evaluation und akademische Erstkontakte ist das ein ungewöhnlich offener Einstieg in eine sonst rein Enterprise-vertriebene Plattform.