KI in der Radiologie: Bildanalyse-Unterstützung

Das echte Ausmaß des Problems

Radiologische Befundung gehört zu den kognitiv anspruchsvollsten Aufgaben in der Medizin: Ein erfahrener Radiologe erkennt relevante Auffälligkeiten auf CT-Aufnahmen in Sekunden, durch internalisierte Muster aus Tausenden von Bildern. Aber diese Mustererkennung unterliegt menschlicher Ermüdung, Ablenkung und der schieren Last hohen Volumens.

Die radiologische Literatur, am bekanntesten die Übersichtsarbeiten zur Fehlerrate in der diagnostischen Radiologie, beziffert die Rate relevanter Befundungsfehler im Tagesbetrieb seit Jahrzehnten im niedrigen einstelligen Prozentbereich, bei retrospektiver Nachbefundung deutlich höher. Die Ursache ist nicht mangelnde Kompetenz, sondern kognitive Erschöpfung, Zeitdruck und der sogenannte „Satisfaction of Search”-Effekt: Wer eine Auffälligkeit gefunden hat, sucht weniger intensiv nach weiteren.

Eine Warnung zu den Zahlen, die an dieser Stelle üblicherweise stehen. Eine frühere Fassung dieser Seite multiplizierte eine solche Fehlerrate mit der Gesamtzahl der radiologischen Untersuchungen in Deutschland und kam so auf eine fünfstellige Zahl täglich übersehener Befunde. Diese Rechnung ist falsch, und sie ist es auf eine Weise, die in der Branche verbreitet ist: Die Fehlerraten stammen aus Untersuchungen zu Thorax-Aufnahmen und Schnittbildgebung, die Gesamtzahl der Untersuchungen enthält aber vor allem zahnärztliche und Skelettaufnahmen mit völlig anderem Befundprofil. Und eine Fehlerrate bezieht sich auf Untersuchungen mit relevantem Befund, nicht auf alle Untersuchungen. Wer den Anteil eines Teils auf das Ganze anwendet, bekommt eine dramatische Zahl und eine falsche. Wir führen sie deshalb nicht.

Der demographische Druck ist trotzdem real: Die Zahl der Radiologie-Fachärzte wächst langsamer als das Bildgebungsvolumen, das mit der CT- und MRT-Verfügbarkeit der letzten Dekade deutlich zugenommen hat. Eine Prozentzahl für diese Zunahme nennen wir nicht; die früher hier zitierte Quelle, ein angeblicher DEGIR-Report mit “EHR-Daten”, existiert in dieser Form nicht. Weniger Radiologen, mehr Bilder, höherer Zeitdruck, das ist keine kurzfristige Schwankung, das ist ein Strukturproblem.

Mit vs. ohne KI, ein ehrlicher Vergleich

Achtung, und das ist bei diesem Anwendungsfall der wichtigste Satz der Seite: Die Werte der rechten Spalte stammen aus Zulassungs- und Validierungsstudien einzelner Systeme in kontrollierten Settings. Sensitivität und Spezifität sind dort immer gegeneinander eingestellt, ein System, das mehr Rundherde findet, markiert auch mehr Stellen, die keine sind. Beide Zahlen gehören immer zusammen genannt, und beide hängen an der Prävalenz in der untersuchten Population. Ein Wert, der an einem Screening-Kollektiv gemessen wurde, gilt nicht für deine Notaufnahme. Deshalb steht in dieser Tabelle keine Prozentzahl: Sie wäre nur mit Studienpopulation, Schwellenwert und Gegenzahl verwertbar, und in dieser Form wäre sie länger als die Tabelle.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Anbieter geben für Standardmodalitäten Befundzeitverkürzungen im Bereich von 20 bis 40 Prozent an. Eine unabhängige Messung für den deutschen Regelbetrieb kennen wir nicht, und die Spanne hängt stark davon ab, ob die KI-Vorbefundung vor oder nach der eigenen Erstbefundung gelesen wird. Bei hochvolumigen Abteilungen mit 200+ Scans täglich wäre selbst das untere Ende ein substanzieller Effizienzgewinn. Leicht unter Maximum, weil nicht alle Modalitäten gleich gut von KI abgedeckt werden, bei seltenen oder komplexen Befunden bleibt die volle Radiologen-Aufmerksamkeit notwendig.

Kosteneinsparung, niedrig (2/5) Die Investitionskosten für zertifizierte radiologische KI-Systeme sind erheblich: 20.000–150.000 Euro Anschaffung, dazu Integrationskosten, laufende Lizenzgebühren und Wartung. Die eingesparte Zeit ist real, aber der ROI braucht hohes Volumen und mehrere Jahre, bis er positiv wird. Niedriger Wert ist ehrlich.

Schnelle Umsetzung, sehr niedrig (1/5) Das ist der komplexeste Einstieg in der gesamten Branche. Der EU AI Act stuft radiologische KI über Art. 6 Abs. 1 und Anhang I, also über die Medizinprodukteverordnung, als Hochrisiko-System ein, mit entsprechenden Anforderungen an Konformitätsbewertung, klinische Validierung und Dokumentation. Dazu kommt PACS-Integration, Workflow-Anpassung und Schulung. Realistische Timeline: 6 bis 18 Monate bis zum produktiven klinischen Einsatz.

ROI-Sicherheit, mittel (3/5) Für Standardmodalitäten (Thorax-Röntgen, Mammographie, Retina-Screening) ist die Studienlage dicht. Sie ist damit nicht automatisch auf deine Abteilung übertragbar: Zulassungsstudien laufen an definierten Populationen, mit bestimmten Gerätegenerationen und Untersuchungsprotokollen. Für spezialisierte oder seltene Befunde, andere Modalitäten und andere Patientenpopulationen ist die Evidenz dünner. Mittelwert ist angemessen, und die interne Nachvalidierung weiter unten ist keine Kür.

Skalierbarkeit, hoch (4/5) Einmal implementiert, skaliert KI-Radiologie ohne Proportionalaufwand: 100 oder 1.000 Scans täglich, dieselbe KI-Leistung. Das ist der entscheidende Vorteil gegenüber personalgestützter Skalierung. Nicht maximal, weil die Infrastruktur (Server, PACS-Kapazität) mit dem Volumen skalieren muss.

Richtwerte, stark abhängig von KIS/PACS-System, Bildgebungsvolumen und regulatorischem Rahmen.

Was das System konkret macht

Computer Vision ist das technische Herzstück: Algorithmen, die auf Tausenden von annotierten Bildern trainiert wurden, erkennen spezifische Muster, Lungenrundherde, Pneumothorax, Frakturen, Mikroverkalkungen in der Mammographie. Für einzelne, eng definierte Fragestellungen erreichen zugelassene Systeme in Studien eine Sensitivität auf dem Niveau erfahrener Befunder, meist erkauft mit einer höheren Zahl falsch positiver Markierungen. Der Satz “so gut wie ein Radiologe” ist ohne Angabe der Fragestellung, der Population und der Gegenzahl bedeutungslos, und genau so steht er in den meisten Prospekten.

In der Praxis funktioniert das so:

Schritt 1, Bildanalyse und Flagging Sobald ein Scan in das PACS-System eingeht, analysiert die KI das Bild parallel zur menschlichen Befundungsqueue. Auffälligkeiten werden markiert, mit Konfidenzwerten versehen und kategorisiert: hochdringend (z.B. Pneumothorax, Aortenaneurysma) vs. routinemäßig (z.B. kleiner Rundherd zur Verlaufskontrolle).

Schritt 2, Dringlichkeitspriorisierung Die KI sortiert die Befundungsliste neu: Kritische Befunde kommen nach oben, unabhängig davon, wann der Scan eingestellt wurde. Der Radiologe bearbeitet nicht mehr chronologisch, sondern nach klinischer Dringlichkeit. Das ist besonders im Nacht- und Bereitschaftsdienst relevant.

Schritt 3, Vorbefundung als Zweitmeinung Für trainierte Modalitäten erstellt die KI eine strukturierte Vorbefundung, die dem Radiologen als erste Einschätzung vorliegt: „Rundherd linker Unterlappen, 8 mm, irreguläre Kontur, Empfehlung: CT-gesteuerte Biopsie oder PET-CT-Follow-up.” Der Radiologe prüft, bestätigt oder widerspricht. Das beschleunigt die Befundung, und systematisiert die Zweitmeinung.

Schritt 4, Qualitätssicherung und Audit KI-Systeme protokollieren automatisch, welche Auffälligkeiten markiert wurden und wie der Radiologe entschieden hat. Das ermöglicht Qualitätssicherungs-Audits: Wo weicht Arzt und KI systematisch ab? Wo liegt die KI falsch? Das sind Daten, die für kontinuierliche Verbesserung genutzt werden können.

Wichtig: Radiologische KI ist Entscheidungsunterstützung, keine Entscheidungsautomatisierung. Die Diagnose und der Befund liegen rechtlich und fachlich beim Facharzt, die KI darf, nach aktuellem Stand, keinen finalen Befund ohne Arztfreigabe ausstellen.

Konkrete Werkzeuge

Aidoc, spezialisierte radiologische KI-Plattform für Prioritätserkennung und Triage, CE-gekennzeichnet, fokussiert auf kritische Befunde (intrakranielle Blutung, Lungenembolie, Aortenaneurysma). Integration in führende PACS-Systeme. Preise auf Anfrage (Enterprise-Lizenzierung). Lass dir je Modul das Zertifikat und den Clinical Evaluation Report zeigen, eine Firmen-CE-Kennzeichnung gibt es nicht, immer nur produktbezogen.

Siemens Healthineers AI-Rad Companion, Modulares KI-System für radiologische Analyse, direkt in Siemens-PACS-Systeme integriert. Besonders für Praxen und Kliniken mit Siemens-Infrastruktur. CE-zertifiziert für mehrere Modalitäten.

Philips, bietet KI-gestützte Auswertungs- und Workflow-Module innerhalb der eigenen Bildgebungs- und PACS-Infrastruktur an. Die Produktnamen und der abgedeckte Modalitätenumfang ändern sich häufig, frag den Anbieter nach der aktuellen Liste CE-gekennzeichneter Module statt nach einem Produktnamen aus einem Artikel. Die Digitalpathologie-Linie (IntelliSite) gehört ausdrücklich nicht in die radiologische Befundung.

Contextflow, Europäisches Start-up für radiologische Ähnlichkeitssuche: Unbekannte Befunde mit ähnlichen Fällen in der Literatur und eigenen Archivdaten vergleichen. Sinnvoll für seltene Befunde und Fortbildung.

Hinweis zu Open-Source: Es gibt quelloffene Radiologie-KI-Projekte (z.B. CheXNet-Derivate), die jedoch keine CE-Kennzeichnung haben und in der klinischen Routineversorgung in der EU nicht ohne weiteres verwendet werden dürfen. Für Forschung und interne Qualitätssicherung nutzbar.

Rechtliche Besonderheiten

EU AI Act, Hochrisiko-Klassifikation

Radiologische KI-Systeme sind Hochrisiko-Systeme nach dem EU AI Act (Verordnung 2024/1689), aber nicht über Anhang III. Anhang III zählt die Hochrisiko-Bereiche abschließend auf und nennt aus dem Gesundheitswesen allein die Triage in der Notfallversorgung (Nr. 5 Buchst. d); Nr. 5 Buchst. a betrifft den Anspruch auf Sozialleistungen, nicht die Medizin. Radiologische KI wird nach Art. 6 Abs. 1 in Verbindung mit Anhang I hochriskant, weil sie ein Produkt ist oder dessen Sicherheitsbauteil, das nach Unionsrecht eine Konformitätsbewertung durch Dritte braucht, hier über die MDR. Ursprünglich war dafür der 2. August 2027 vorgesehen, seit der Änderung durch die Verordnung (EU) 2026/1744 gilt für Anhang I einheitlich der 2. August 2028, für die Einstufung nach Art. 6 Abs. 1 wie für die Pflichten aus Kapitel III Abschnitte 1 bis 3. Das bedeutet dann konkret:

• Risikomanagementsystem und technische Dokumentation nach AI Act Art. 9 und Art. 11
• Transparenz gegenüber dem Betreiber (Art. 13): Leistungsgrenzen, Genauigkeit und bekannte Fehlerquellen müssen dem befundenden Arzt bekannt sein
• Menschliche Kontrolle (Human Oversight, Art. 14): Der Arzt muss immer in der Lage sein, KI-Entscheidungen zu überstimmen, dokumentiert und nachvollziehbar
• Genauigkeit, Robustheit und Cybersicherheit (Art. 15)
• Die Konformitätsbewertung läuft über den MDR-Pfad und die Benannte Stelle, nicht über ein zweites Verfahren. Die Informationspflicht gegenüber Betroffenen (Art. 26 Abs. 11) knüpft dagegen an Anhang-III-Systeme an; die Aufklärung des Patienten folgt hier aus dem Behandlungsvertrag.

MDR, Medical Device Regulation

Radiologische KI-Software, die zur Diagnose eingesetzt wird, ist in der EU eine Medizinprodukt-Software (SaMD) nach MDR (EU 2017/745). Das bedeutet:

• CE-Kennzeichnung nach MDR erforderlich
• Klinische Bewertung (Clinical Evaluation) des Herstellers
• Vigilanz-Reporting bei Fehlfunktionen
• Für Klasse IIb oder III-Produkte: Einbindung einer Benannten Stelle (Notified Body)

Praktische Konsequenz für Anwender: Nur CE-gekennzeichnete Systeme in der klinischen Routineversorgung einsetzen. Hersteller-Zertifikate und Clinical Evaluation Reports vor der Beschaffung anfordern.

Haftung

Die strafrechtliche und zivilrechtliche Haftung bei Befundungsfehlern liegt beim befundenden Facharzt, auch wenn KI involviert war. KI ist rechtlich ein Hilfsmittel, kein Mitverantwortlicher. Das bedeutet: Der Radiologe haftet für seinen Befund, egal ob KI eine Auffälligkeit gemeldet hat oder nicht, und er haftet auch, wenn er eine KI-Meldung ignoriert hat und diese sich als korrekt herausstellt. Dokumentation der KI-Nutzung und der eigenen Entscheidung ist deshalb Pflicht.

Datenschutz und Datenhaltung

Bildgebungsdaten sind Gesundheitsdaten nach DSGVO Art. 9, besondere Kategorie. Zusätzlich enthält die Bildgebung oft personenbezogene Metadaten (DICOM-Header mit Name, Geburtsdatum, Untersuchungsdatum).

Minimalanforderungen:

• AVV nach Art. 28 DSGVO mit jedem KI-Systemanbieter
• Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO, bei systematischem KI-Einsatz für Diagnostik fast immer erforderlich
• Speicherort: Daten sollten idealerweise innerhalb der EU verarbeitet werden; für besonders sensitive Fälle On-Premise-Verarbeitung bevorzugen

Datenschutzbeauftragter muss eingebunden werden, bei Kliniken oft ohnehin Pflicht (Art. 37 DSGVO).

Was es kostet, realistisch gerechnet

Einstieg (Proof of Concept):

• Pilotlizenz eines KI-Anbieters für eine Modalität: 5.000–20.000 Euro/Jahr
• PACS-Integration: 5.000–30.000 Euro einmalig (je nach bestehender Infrastruktur)
• Schulungsaufwand: 2–5 Tage Radiologenpersonal
• Gesamtkosten Pilotphase: 15.000–60.000 Euro

Vollständige Implementierung:

• Enterprise-Lizenz: 50.000–200.000 Euro/Jahr (je nach Volumen und Modalitäten)
• Integration und Anpassung: 20.000–100.000 Euro einmalig
• Laufende Wartung und Updates: 10–20 % der Lizenzkosten/Jahr

ROI-Szenario: Radiologisches Institut mit 500 Thorax-Röntgen täglich, 250 Betriebstage, 125.000 Scans im Jahr. Sinkt die Befundzeit von 5 auf 3,5 Minuten, sind das 1,5 Minuten je Scan, im Jahr rund 3.125 Stunden.

Diese 3.125 Stunden mit einem Stundensatz zu multiplizieren ergibt eine große Zahl und keine belastbare Aussage. 3.125 Stunden entsprechen etwa 1,8 Vollzeitstellen Befundungszeit. Ein Euro-Effekt entsteht daraus nur auf drei Wegen, und du musst dich vor der Beschaffung entscheiden, welcher es sein soll:

• Mehr Untersuchungen befunden, ohne Personal aufzubauen. Dann ist der Gegenwert der Erlös der zusätzlichen Untersuchungen abzüglich ihrer Sachkosten, nicht ein Stundensatz.
• Eine Stelle nicht nachbesetzen oder eine unbesetzte Stelle nicht mehr durch Honorarkräfte überbrücken. Dann ist der Gegenwert die tatsächlich eingesparte Personal- oder Honorarkraftrechnung.
• Die Bereitschaftsdienstqualität verbessern. Der wahrscheinlichste und wichtigste Fall, und er steht in keiner Kostenstelle.

Sicher sind die 80.000 Euro Systemkosten im Jahr plus Integration. Wer den ROI-Fall bauen will, muss einen der drei Wege benennen und beziffern, sonst rechnet er eine Kapazität in Geld um, die niemand abruft.

Für kleinere Institute mit 50 Scans täglich trägt keiner der drei Wege. Radiologie-KI ist primär ein Hochvolumen-Werkzeug.

Typische Einstiegsfehler

Fehler 1, Nicht-zertifizierte Systeme in der klinischen Routine einsetzen Es gibt radiologische KI-Tools ohne CE-Kennzeichnung, die günstig oder als Open Source verfügbar sind. Sie in der klinischen Routineversorgung zu nutzen ist in der EU eine MDR-Verletzung und macht bei Schadensfällen haftungsrechtlich angreifbar. Ausschließlich CE-zertifizierte Systeme für die Patientenversorgung verwenden.

Fehler 2, Workflow-Integration unterschätzen KI ist nicht fertig, wenn die Software installiert ist. Die eigentliche Arbeit ist die Workflow-Integration: Wie wird die KI-Vorbefundung in die Befundungsroutine eingebaut? Wer schaut zuerst, Mensch oder KI? Wie werden KI-Alerts kommuniziert? Ohne durchdachten Workflow nutzen Radiologen das System nicht oder falsch.

Fehler 3, Validierung nur auf Literaturdaten verlassen Klinische Studien wurden oft an bestimmten Patientenpopulationen, Gerätegenerationen und Untersuchungsprotokollen durchgeführt. Die Leistung eines KI-Systems in deiner spezifischen Abteilung kann erheblich abweichen. Eine interne Validierungsphase (Retrospektivanalyse mit deinen eigenen Daten) vor dem Rollout ist Pflicht.

Fehler 4, Automation Bias nicht adressieren Wenn das Team weiß, dass eine KI jeden Scan vorprüft, besteht das Risiko, dass Radiologen weniger sorgfältig schauen, sie verlassen sich unbewusst auf den Algorithmus. Das kann die Fehlerrate erhöhen, nicht senken. Explizite Schulung zur unabhängigen Erstbefundung vor dem KI-Check ist eine bewährte Gegenmaßnahme.

Fehler 5, Datenschutz-Folgenabschätzung vergessen Bei systematischem KI-Einsatz für Diagnoseentscheidungen ist eine DSFA nach Art. 35 DSGVO fast immer erforderlich. Wer das übersieht, riskiert Bußgelder und muss das System möglicherweise wieder abschalten, bis die DSFA nachgeholt ist.

Was mit der Einführung wirklich passiert

Radiologische KI-Implementierungen sind Langstrecke, nicht Kurzstrecke. Die technische Installation ist der einfachste Teil. Die drei wirklich schwierigen Phasen:

Phase 1, Interne Validierung: Die Frage „Funktioniert das System für unsere Scans?” muss mit echten Daten beantwortet werden, nicht mit Vendor-Versprechungen. Das dauert 2–3 Monate.

Phase 2, Radiologen-Akzeptanz: Erfahrene Radiologen sind anfangs oft skeptisch, KI als „Lehrmeister” wird abgelehnt. KI als „Hilfsmittel gegen Überlastung” wird akzeptiert. Die Rahmung in der Einführungskommunikation ist entscheidend. KI-Outputs nicht als Wettbewerb mit dem Radiologen darstellen.

Phase 3, Kontinuierliches Monitoring: KI-Modelle können driften, Veränderungen in der Patientenstruktur, neue Gerätegenerationen, geänderte Untersuchungsprotokolle können die Leistung beeinflussen. Ohne regelmäßiges Monitoring wird das erst nach Monaten oder Jahren sichtbar. Quartalsweise Qualitätschecks sind Pflicht.

Realistischer Zeitplan

Häufige Einwände

„KI kann Radiologen nicht ersetzen.” Korrekt, und darum geht es nicht. Radiologische KI soll keine Stellen ersetzen, sondern bei steigendem Volumen die Qualität erhalten und kritische Befunde früher erkennen. Kein gut implementiertes Radiologie-KI-System ist darauf ausgelegt, Radiologen zu eliminieren, es verändert die Arbeit: weniger Routine, mehr komplexe Fälle.

„Die Fehlerrate der KI ist zu hoch.” Diese Frage lässt sich nicht mit einer Zahl beantworten, und wer es versucht, verkürzt. Ein System hat nie eine Fehlerrate, es hat eine Sensitivität und eine Spezifität an einem eingestellten Schwellenwert, und man kann die eine nur auf Kosten der anderen erhöhen. Ein Triage-System, das keine Lungenembolie übersehen soll, markiert dafür Bilder, auf denen keine ist.

Die Hoffnung, dass Mensch und KI zusammen immer besser sind als jeder allein, trägt ebenfalls nicht als Automatismus. Die Literatur zum Automation Bias zeigt den gegenteiligen Fall: Befunder, die einem System vertrauen, übersehen mit einem falsch negativen KI-Ergebnis mehr als ohne jede KI. Der Zugewinn hängt am Workflow, nicht am Modell, und genau deshalb steht weiter unten die unabhängige Erstbefundung vor dem KI-Check als eigener Punkt.

„Das kostet zu viel.” Bei hohem Volumen ist der ROI klar positiv, das zeigt die Rechnung oben. Bei niedrigem Volumen ist die Investition tatsächlich schwer zu rechtfertigen. Das ist eine ehrliche Einschätzung, nicht ein zu widerlegender Einwand.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Deine radiologische Abteilung täglich mehr als 100 Scans befundet und der Zeitdruck auf die Befundungsqualität drückt
• Der Bereitschaftsdienst eine hohe kognitive Last bei wenig Personal bedeutet und kritische Befunde früher erkannt werden sollen
• Du eine systematische Zweitmeinungs-Funktion für hochfrequente Modalitäten (Thorax, Mammographie) einführen willst

Wer das nicht braucht oder noch nicht kann: Wenn dein Scanvolumen unter 50 Einheiten täglich liegt, ist der ROI bei den Systemkosten kaum darstellbar. Wenn deine PACS-Infrastruktur veraltet ist und keine modernen Schnittstellen bietet, ist die Integrationskomplexität ein Blocker. Wenn dein Budget für regulatorische Vorbereitungen (DSFA, MDR-Compliance) fehlt, sollte das vor dem Tool-Kauf stehen.

Das kannst du heute noch tun

Starte mit einem Bestandscheck: Welche radiologischen Modalitäten habt ihr mit dem höchsten täglichen Volumen? Welche davon sind laut Literatur gut durch KI abgedeckt (Thorax-Röntgen, CT-Kopf, Mammographie sind die best-validierten)? Welchen PACS-Anbieter nutzt ihr, und hat dieser bereits KI-Module verfügbar?

Quellen & Methodik

• Bundesamt für Strahlenschutz: führt die Statistik zur Häufigkeit röntgendiagnostischer Untersuchungen in Deutschland. Die Gesamtzahl enthält zahnärztliche und Skelettaufnahmen und eignet sich deshalb nicht als Multiplikator für Fehlerraten aus Thorax- oder Schnittbildstudien.
• Fehlerraten in der Radiologie: die einschlägigen Übersichtsarbeiten nennen für den Tagesbetrieb einen niedrigen einstelligen Prozentbereich und für die retrospektive Nachbefundung deutlich höhere Werte. Konkrete Paare wurden aus dieser Seite entfernt, weil sie in drei Abschnitten in drei verschiedenen Versionen standen.
• Nicht existent und deshalb gestrichen: der als Beleg für eine Volumensteigerung von 40 bis 60 Prozent zitierte “DEGIR-Report 2023” mit “EHR-Daten”.
• EU AI Act (Verordnung 2024/1689), Art. 6 Abs. 1 und Anhang I: Klassifikation radiologischer KI als Hochrisiko-System über die Medizinprodukteverordnung, Pflichten ab 2. August 2028.
• MDR (EU 2017/745): Anforderungen an Software als Medizinprodukt (SaMD), Klassifikation und CE-Kennzeichnung.
• Topol EJ, “High-performance medicine: the convergence of human and artificial intelligence”, Nature Medicine 2019: Grundlagenarbeit zu KI und medizinischer Bildanalyse.