Lunit INSIGHT KI-Diagnosetool zur Krebsfrüherkennung

Lunit INSIGHT ai bietet eine klinisch validierte Assistenzlösung, die Radiologen bei der Früherkennung von cancer unterstützt.

Die solution deckt Thorax-Röntgen (CXR), 2D-mammography (MMG) und 3D-Tomosynthese (DBT) ab. Das Ziel ist eine schnellere, konsistentere Befundung bei hohen Fallzahlen.

Die Software integriert sich in bestehende Viewer und hält Radiologists im gewohnten Workflow. Damit bleiben Entscheidungen beim ärztlichen Anwender; die Lösung fungiert als Decision Support.

Verfügbarkeit und regulatorische Zulassung variieren je nach Land. Nutzer sollten lokale Anforderungen prüfen, bevor sie in den Routinebetrieb übergehen.

Vertrauen baut die Evidenz: Jedes Modul stützt sich auf publizierte, klinische Studien. Das hilft bei Investitionsentscheidungen für Screening und Routineversorgung.

Im weiteren Verlauf erläutern wir Leistungsumfang, Evidenz und Performance, Workflow-Effekte sowie Integration, Datenschutz und Betrieb.

Wesentliche Erkenntnisse

Modulares System für CXR, Mammographie und DBT mit Fokus auf Screening.
Assistenzsoftware, die Radiologists im Viewer belässt.
Klinisch publizierte Evidenz als Grundlage für Entscheidungsträger.
Verfügbarkeit und Zulassung sind länderspezifisch.
Mehr Effizienz und konsistentere Befunde bei hohen Fallzahlen.

KI-gestützte Krebsfrüherkennung für Radiologen: Was Lunit INSIGHT ai leistet

Effiziente Softwarelösungen ergänzen die Befundung und entlasten Radiologie-Teams im Alltag. Sie sind in Radiologieabteilungen, Screening-Programmen und in Hochvolumen-Settings einsetzbar.

Für welche Einsatzbereiche

Die Lösung unterstützt Routine- und Notfallbefunde sowie organisierte cancer screening-Programme. Sie integriert sich in PACS/Viewer-Workflows und priorisiert Fälle über intelligente Worklists.

Wie die Software die Interpretation ergänzt

Markierungen, Heatmaps und Contours zeigen verdächtige Regionen. Numerische Scores (z. B. Malignitäts- oder Abnormality-Scores) helfen bei der Wahrscheinlichkeitsabschätzung.

Mehr Konsistenz in der Befundqualität

Als zusätzliches „Second Pair of Eyes“ steigert die Lösung die detection subtiler Läsionen und reduziert Inter-Reader-Varianz.

Absicherung beim Single-Reading: weniger übersehene Befunde.
Standardisierung beim Double-Reading: schnellere Konsensfindung.
Bessere Ressourcennutzung: mehr Fälle pro Zeit, kürzere Turnaround für Review und diagnosis.

Im nächsten Abschnitt folgen module-spezifische Details zu CXR, MMG und DBT sowie Studienergebnisse.

Lunit INSIGHT CXR in der Radiologie: Detection auf dem Thorax-Röntgen

Das CXR‑Modul hebt fokussiert Auffälligkeiten im Thorax hervor und beschleunigt so die Befundung. Markierungen, Scores und Priorisierungen erlauben schnelles Erkennen kritischer Befunde und vereinfachen das Reporten.

Die Engine deckt bis zu 11 Befundkategorien ab, etwa Noduli, Pneumothorax, Konsolidierung, Pleuraerguss und Frakturen. Diese Kategorien sind in Notaufnahme und Station oft zeitkritisch und werden sichtbar gemacht.

Leistungsdaten: Laut Clinical Evaluation Report (Rev.9) erreicht das System 95–100% AUC und wurde unabhängig auf mehr als 250.000 Thorax‑images validiert. Das stärkt die Reliability für den klinischen Einsatz.

Das DualScan‑Konzept kombiniert Abnormality detection mit Normal‑Case‑Flagging. So werden dringende Fälle priorisiert und unauffällige Untersuchungen schneller abgearbeitet.

Die automatisierte Current‑Prior comparison zeigt Veränderungen über Zeit und beschleunigt Verlaufskontrollen (z. B. Nodule‑Progression, Pleuraerguss‑Tracking).

Eine prospektive Studie (Schalekamp et al., European Radiology 2024) dokumentiert eine Reduktion der Leselast um 36,2% bei 95% Sensitivität für dringende Fälle. Das unterstreicht den praktischen Nutzen in Hochvolumen‑Settings.

Wichtig: Die Lösung ist Assistenz zur Effizienzsteigerung und Qualitätsabsicherung; die ärztliche Befundung bleibt verantwortungspflichtig.

Mammographie mit AI: Lunit INSIGHT MMG für Breast Cancer Screening

Für das Brustscreening liefert das System quantitative Lesion‑Scores und eine klare Klassifikation von Kalkablagerungen und Massen. Das unterstützt Radiologen im Viewer und beschleunigt Single‑ und Double‑Reading‑Workflows.

Malignitätswahrscheinlichkeit im Review

Score‑Logik: Die Malignitätswahrscheinlichkeit wird als nichtlineare Skala ausgegeben. Das hilft, unklare Fälle priorisiert zu prüfen.

Leistungsdaten aus Studien

In einer externen JAMA‑Studie erreichte das Tool die höchste accuracy und ein ausgewogenes Sensitivität‑Spezifität‑Profil.

Besonderheit: Dichte Brust

Eine aktuelle Studie zeigte 18% höhere accuracy bei extrem dichter Brust und 8% über alle Dichteklassen. Das ist klinisch relevant, weil Dichte die Detektion erschwert.

Weniger Rückrufe und frühere Erkennung

Höhere Spezifität reduziert unnötige Callbacks und verbessert die Experience für patients. Radiology‑Daten deuten zudem an, dass bis zu 40% der Intervalkarzinome früher sichtbar werden.

„Mehr Treffer bei dichter Brust und weniger unnötige Rückrufe stärken das Screening‑Programm.“

Nutzen: Höhere Konsistenz, geringere Leselast und bessere Ressourcenverteilung vor der Umleitung auf DBT.

Lunit INSIGHT DBT: 3D-Tomosynthese schneller und sicherer bewerten

Bei Multi‑Slice‑Exams setzt das System auf Key‑Slices, sodass Befunde schneller und fokussierter bewertet werden können. Das reduziert die kognitive Last und verkürzt die Interpretationszeit ohne Verlust diagnostischer Sorgfalt.

Key‑Slices statt Scrollen

Der Key‑Slices‑Workflow springt automatisch zu den relevantesten Ebenen. Radiologen müssen nicht mehr lange durch DBT‑stacks scrollen.

Vorteil: schnelleres Screening, geringere Leselast und bessere Priorisierung.

Abnormality Score, Heatmaps und Contours

Jede suspicious Läsion erhält einen Abnormality Score (0–100). Heatmaps und Contours zeigen Masse‑ oder Kalkmuster klar lokalisiert.

Das erhöht die Konsistenz beim Reporting und erleichtert das Priorisieren von Fällen.

Belege aus Studien und robuste Performance

Eine Radiology Artificial Intelligence‑Studie (2024) dokumentiert bessere detection und kürzere Interpretationszeiten bei DBT.

Große Kohorten‑Analysen, u. a. eine Emory‑Auswertung mit 163.000+ DBT‑exams, zeigen konsistente performance über Alters‑ und Demografiegruppen.

Eine Studie lokalisierte nahezu ein Drittel der Intervalkarzinome und weist so auf ein Potenzial zur Senkung der Interval Cancer Rate hin.

Problem: viele Slices → Zeitaufwand
Solution: Key‑Slices & Markierungen → Effizienzgewinn
Nutzen: geringere Recall‑Raten, bessere Ressourcenverteilung

Die Ergebnisse unterstützen den Einsatz von lunit insight dbt im Mammography‑Workflow, vorausgesetzt Integration, Datenschutz und Betrieb sind geklärt.

Integration, Datenschutz und Betrieb: So passt sich die Lösung an Ihre Infrastruktur an

Ein reibungsloses Zusammenspiel mit PACS und Viewer bestimmt die Akzeptanz jeder Assistenz‑software in der Radiologie.

PACS-/Viewer‑Integration: Die Analyse liefert Markierungen, Scores und Prioritäten direkt im Viewer. So bleiben Radiologists im gewohnten Workflow und sparen Zeit beim Reading.

Deployment‑Optionen

On‑Premise ermöglicht Analyse auf Kundenservern und maximale Kontrolle. Die Cloud‑Option (Azure) nutzt ein lokales DICOM Gateway zur Anonymisierung und schnellen Skalierung.

Datensicherheit und Compliance

Patientenidentifizierende Daten verlassen die Kundenumgebung nicht. Identifikatoren werden lokal entfernt, bevor Daten in die Cloud gelangen. Das entspricht deutschen Datenschutzanforderungen.

Betrieb, Monitoring und Qualität

Kein Live‑Learning: Modelle sind versioniert, unabhängig evaluiert und durch Bias‑Kontrollen abgesichert. Das reduziert Risiko bei Releases.

Komponenten: DICOM Routing, Gateways, Server/VMs, Monitoring.
KPIs: Adoptionsrate, Reading‑Zeit, Priorisierungs‑Performance.
Tooling: INSIGHT Manager 2.0 ermöglicht Nutzungstracking und Feinjustierung.

Eine kurze IT‑Checkliste zu Integrationsaufwand, Schnittstellen und Schulung hilft bei der Beschaffungsentscheidung und leitet zum Fazit über.

Fazit

,Die getesteten Module verbessern nachweislich die Detection und Interpretation in Screening und Routine. Sie liefern quantitative scores, priorisieren Fälle und erhöhen die Konsistenz bei Befunden.

Kurzrecap: Das CXR‑Modul deckt 11 Kategorien ab und wurde auf über 250.000 Bildern validiert. Beim Screening mit lunit insight mmg zeigen Studien bessere Trefferquoten, vor allem bei dichter Brust. Das DBT‑Modul reduziert Leszeiten mit Key‑Slices und klaren Heatmaps.

Für Patienten bedeutet das: weniger unnötige Rückrufe, geringere Angst und schnellere Abklärungen. Klinische Teams mit hohem Volumen profitieren von Skalierbarkeit und höherer Durchsatzrate.

Praxisempfehlung: Prüfen Sie Integration, Datenschutz und lokale Zulassung. Vereinbaren Sie eine Demo oder sprechen Sie mit einem Specialist, um Einsatz und Verfügbarkeit in Ihrem Land zu klären.

FAQ

Was leistet Lunit INSIGHT als KI-Diagnosetool in der Radiologie und Mammographie?

Die Lösung unterstützt Radiologen bei der Krebsfrüherkennung durch automatisierte Erkennung, Lokalisation und Scoring von Auffälligkeiten in Röntgen-, Mammographie- und DBT-Aufnahmen. Sie liefert Heatmaps, Abnormality Scores und Priorisierungen, die die Befundung beschleunigen und die Konsistenz zwischen Single- und Double-Reading erhöhen.

Für welche klinischen Einsatzbereiche ist die Software geeignet?

Die Software ist für Screening, Screening-Nachsorge und die klinische Befundung geeignet. Sie funktioniert in hochvolumigen Brustkrebs-Screeningprogrammen, in Akut- und Routine-Radiologieabteilungen sowie für Follow-up- und Vergleichsbetrachtungen von Voraufnahmen.

Wie unterstützt die Software die Interpretation einzelner Fälle?

Sie markiert Auffälligkeiten visuell mit Heatmaps und Konturen, weist einen Lesion-Score bzw. Malignitätswahrscheinlichkeit zu und priorisiert Studien in der Worklist. So erkennen Radiologen schnell relevante Regionen und können Fälle nach Dringlichkeit einplanen.

Verbessert die Lösung die Konsistenz der Befundqualität?

Ja. Durch standardisierte Scores und automatische Markierungen verringert die Software Variabilität zwischen Befundenden, unterstützt Single- und Double-Reading-Workflows und hilft, diagnostische Lücken zu reduzieren.

Welche Befundkategorien deckt die CXR-Komponente für Thorax-Röntgen ab?

Die Thorax-Erkennung umfasst mehrere klinisch relevante Kategorien wie Lungeninfiltrate, Massen, Pleuraerguss, Atelektase und Knochenveränderungen – insgesamt bis zu elf getrennte Befundkategorien zur schnellen Orientierung.

Welche Leistungsdaten liegen für die Thorax-Erkennung vor?

Klinische Evaluierungen zeigen sehr hohe AUC-Werte im Validierungsset. In großen Studienreihen mit mehreren hunderttausend Bildern wurden AUCs im Bereich von etwa 0,95–1,00 erreicht, was die Robustheit über diverse Populationen unterstreicht.

Wie hilft das Current‑Prior‑Feature beim Verlaufsscreening?

Das Current‑Prior‑Vergleichsmodul hebt Veränderungen zwischen aktuellen und vorangegangenen Aufnahmen hervor. Dadurch lassen sich neu aufgetretene Läsionen oder Progression schneller erkennen und Beurteilungen des Verlaufs werden präziser.

Welche Effekte hat die Lösung auf Worklist-Management und Backlog?

Durch Priorisierung und Normal-Case-Erkennung können Radiologen unauffällige Fälle schneller abschließen. Studien zeigen eine signifikante Reduktion der Leselast in Hochvolumen-Settings und eine effizientere Verteilung komplexer Fälle.

Wie bewertet die Mammographie-Komponente Malignitätswahrscheinlichkeit?

Die Mammographie-Lösung liefert für jede gefundene Läsion einen Lesion-Score und ordnet Typen wie Verkalkung oder Masse zu. Diese Scores unterstützen Radiologen bei der Risikobewertung und bei der Entscheidung über Recall oder Biopsie.

Welche Studien belegen die Performance in der Mammographie?

Publizierte Studien, darunter große Kohortenanalysen und Reviews in Fachzeitschriften wie JAMA Oncology, zeigen hohe Genauigkeit und ein ausgewogenes Sensitivitäts‑/Spezifitätsprofil. Die Systeme steigern insbesondere die Detektion in dichten Brüsten und reduzieren unnötige Rückrufe.

Gibt es Evidenz für bessere Erkennung in dichter Brust und bei Intervalkarzinomen?

Ja. Untersuchungen dokumentieren z.B. bis zu 18% höhere Genauigkeit in sehr dichtem Brustgewebe und Hinweise, dass manche Intervalkarzinome früher sichtbar werden, mit Schätzungen bis zu etwa 40% früherer Erkennung in ausgewählten Datensätzen.

Wie unterstützt die DBT-Lösung das schnelle Lesen von 3D-Tomosynthese?

Die DBT-Komponente zeigt Key‑Slices, generiert Heatmaps und Abnormality Scores, so dass Radiologen fokussiert durch Multi‑Slice-Exams navigieren statt endlos zu scrollen. Das verkürzt die Lesezeiten und erhöht die Trefferrate für relevante Befunde.

Auf welchen Datensätzen wurde die DBT-Performance trainiert und validiert?

Das Modell wurde auf großen, multinationalen Datensätzen trainiert, darunter Bildkollektionen aus den USA, Großbritannien und Südkorea. Diese Diversität fördert robuste Leistung über unterschiedliche Patientengruppen und Scanner-Typen.

Wie erfolgt die Integration in bestehende PACS- und Viewer-Umgebungen?

Die Lösung bietet nativen PACS-/Viewer-Integrationssupport, zeigt KI-Insights direkt in gewohnten Arbeitsplätzen und fügt sich in bestehende Workflows ein. So bleibt die Radiologen-Experience konsistent und Unterbrechungen gering.

Welche Deployment-Optionen und Datenschutzmechanismen gibt es?

Deployment erfolgt On‑Premise oder in der Cloud, jeweils mit DICOM-Gateway für Anonymisierung und Gateway-Optionen zur Datenfilterung. Patientenidentifizierende Daten verbleiben auf Wunsch in der Kundenumgebung, um Compliance mit lokalen Datenschutzvorgaben zu gewährleisten.

Findet Live-Learning oder kontinuierliches Modelltraining mit Kundendaten statt?

Kein Live‑Learning im produktiven Betrieb. Modelle werden versioniert und unabhängig validiert. Updates erfolgen kontrolliert nach interner und externer Evaluation, um Bias-Kontrolle und Reproduzierbarkeit sicherzustellen.

Was ermöglicht der INSIGHT Manager 2.0 zur Nutzung und Performance-Messung?

Das Management-Tool liefert Nutzungsstatistiken, Leistungsmetriken und Qualitätskontrollen für den Klinikalltag. Administratoren überwachen Workflow-Effekte, Fehlerraten und können die Performance über Zeit und Gerätegruppen vergleichen.

Wie beeinflusst die Lösung die Patientenerfahrung?

Durch höhere Spezifität sinken falsch-positive Rückrufe, und durch bessere Detektion steigen frühe Diagnosen. Beides trägt zu kürzeren Patientenzuführungswegen, weniger unnötigen Untersuchungen und einer verbesserten Screening-Experience bei.