Die MedUni Wien bündelt alle Forschungstätigkeiten auf dem Gebiet der Künstlichen Intelligenz im Comprehensive Center for Artificial Intelligence in Medicine (CAIM).
Die Algorithmen der Künstlichen Intelligenz sind die Weichmacher für erstarrte Systeme. Verantwortliche im Gesundheitsbereich erwachen jeden Morgen in einer neuen Szenerie. Sobald neue KI-Technologien ausgereift sind, werden deren medizinische Anwendungsmöglichkeiten erforscht, ausgetestet und gegebenenfalls in die Routine überführt. So lief es zum Beispiel mit Deep Learning, bei dem ein Algorithmus – also eine mathematische Schritt-für-Schritt-Anleitung – anhand von Beispielen lernt, selbstständig Muster zu erkennen und dieses Wissen auf neue Situationen zu übertragen. Deep Learning-Systeme übersetzen Erfahrung in nützliches Können. Als diese spezielle Form von KI im Jahr 2012 ausgereift genug war, um Bildinhalte zu erkennen, wurde Deep Learning bald zur Analyse von radiologischen Bilddaten eingesetzt, etwa zur Detektion von Läsionen in der Lunge. Mittlerweile haben sich weitere KI-Anwendungen in der Medizin etabliert – und noch viel mehr mögliche Anwendungen werden intensiv beforscht.
Die MedUni Wien hat nun all ihre Expertise auf dem Gebiet der Künstlichen Intelligenz auf einer Plattform gebündelt: Im Juni wurde das Comprehensive Center for Artificial Intelligence in Medicine (CAIM) eröffnet, das Forscher aus den Bereichen Medizin, Biologie und Künstliche Intelligenz zusammenbringt. Nicht weniger als 22 Forschungsgruppen mit insgesamt 120 Mitarbeitern beschäftigen sich mit neuen, auf KI basierenden Anwendungsmöglichkeiten in der medizinischen Versorgung – von Radiologie und Pathologie bis hin zu Dermatologie, Chirurgie, Immunologie und vielen weiteren Fachgebieten.
Quantifizierung. Die Segmentierung von Bilddaten ist ein zentrales Anwendungsfeld von Künstlicher Intelligenz in der Medizinbildverarbeitung. Jedes Bildpixel (genauer: Voxel in 3D) wird klassifiziert und einem Organ oder Gewebe zugeordnet. So entstehen exakte 3D-Modelle der anatomischen Strukturen.
Enge Kooperation
„Dass Experten aus verschiedensten Bereichen eng zusammenarbeiten, ist die ideale Basis für klinisch relevante Innovationen“, bekräftigt Georg Langs, Leiter des CAIM. Auf diese Weise lernen Techniker wie Langs, der Professor am Department of Biomedical Imaging and Image-guided Therapy der MedUni Wien ist, erst die speziellen Anforderungen der Mediziner zu verstehen und können ihre Algorithmen darauf abstimmen. Die Mediziner wiederum lernen durch die enge Kooperation mit den Technikern das Potenzial der Technologie kennen und können dadurch mögliche Anwendungen identifizieren. Das gilt vor allem für den wissenschaftlichen Nachwuchs: „Die wirklich coolen Ergebnisse und neue Ideen bekommt man, wenn medizinische und technische Studenten sich ein Jahr lang ein Büro teilen“, weiß der Mathematiker.
Die dafür benötigten Räumlichkeiten werden demnächst verfügbar. Noch heuer soll ja das Center for Translational Medicine auf dem Gelände der MedUni Wien fertiggestellt werden, in dem dann auch Teile des CAIM untergebracht sein werden. Auch im künftigen Zentrum für Präzisionsmedizin (geplante Fertigstellung: 2027) wird das CAIM vertreten sein. Das Besondere am CAIM ist, dass alle Mitarbeiter – von Leiter Langs bis zur PhD-Studentin – sowohl Mitarbeiter des CAIM als auch ihrer jeweiligen klinischen Abteilung sind („Dual appointment“). Die Forscher wollen und sollen weiterhin klinisch tätig sein, um in ihren Fachgebieten up-to-date zu bleiben. Auf diese Weise wird auch möglichem Konkurrenzdenken von vornherein ein Riegel vorgeschoben. „Jeder Erfolg des CAIM ist auch ein Erfolg der beteiligten Kliniken – und umgekehrt“, unterstreicht Langs. Dafür wurde der Organisationsplan der MedUni Wien geändert, was als Zeichen für das Commitment der Universität zu verstehen ist; das Comprehensive Center for Artificial Intelligence in Medicine wurde mit Jahresbeginn als eigene Organisationseinheit der MedUni Wien eingeführt. Die bisherigen Ergebnisse der MedUni Wien in Sachen KI, die nun gebündelt werden, können sich sehen lassen. Das CAIM hebt drei Projekte aus den Bereichen Neurochirurgie, Radiologie und Dermatologie besonders hervor:
An der Universitätsklinik für Neurochirurgie ermöglicht es eine KI-Software, während einer Gehirntumoroperation innerhalb weniger Minuten Gewebeproben zu klassifizieren. Bei hirneigenen Tumoren (Gliome) ist die Abgrenzung des Tumorgewebes von gesundem Gewebe bei der Operation besonders schwierig. In einigen Fällen stellt sich im Nachhinein heraus, dass bei der Operation nicht das gesamte Tumorgewebe entfernt wurde. Mit der neuen Technologie können die Chirurgen die während der Operation entnommenen Gewebeproben an der vermuteten Tumorgrenze auf das Vorhandensein von Resttumorgewebe untersuchen und auf Basis dieser Untersuchung gegebenenfalls weiteres Gewebe aus dem Gehirn entfernen. „Die neue Technologie ermöglicht den Chirurgen eine raschere Entscheidung, wodurch sich die Zeit im OP für Patienten deutlich verkürzt“, erläutert Georg Widhalm von der Universitätsklinik für Neurochirurgie. Zusätzlich erhöht sich auch die Sicherheit des Eingriffs.
Das zweite Referenzprojekt wird an der Universitätsklinik für Dermatologie betrieben. Dort wird Bildanalyse auf Basis Künstlicher Intelligenz bereits in der klinischen Praxis im Rahmen der Früherkennung von Melanomen eingesetzt. Dabei werden auf Ganzkörperaufnahmen potenziell Hunderte von Pigmentläsionen automatisch erkannt, in Folgeaufnahmen abgeglichen und hinsichtlich ihrer Veränderungen priorisiert. Basis dafür war eine vielbeachtete Studie in Kooperation mit dem Sydney Melanoma Diagnostic Centre in Australien. In dieser wurde die Genauigkeit von Diagnose und Therapieempfehlung bei pigmentierten Hautläsionen zweier verschiedener Algorithmen in Smartphone-Anwendungen mit jener von Ärzten verglichen. Das Ergebnis bescheinigte der KI-Anwendung eine hohe Treffsicherheit in der Diagnose. Bei der Therapieentscheidung erwiesen sich jedoch die Einschätzungen der Ärzte den Empfehlungen der KI als überlegen. Aber insbesondere der sogenannte 7-Klassen-KI-Algorithmus erwies sich in der Diagnose von verdächtigen Hautveränderungen als ebenso firm wie erfahrene Dermatologen und deutlich akkurater als Fachärzte mit wenig Erfahrung. In Bezug auf Behandlungsentscheidungen allerdings war die Software den Experten signifikant unterlegen, allerdings war sie noch immer besser als die unerfahrenen Anwender. „Die KI-Anwendung neigt in der Behandlungsempfehlung tendenziell dazu, mehr gutartige Läsionen zu entfernen, als Experten das würden“, resümiert Harald Kittler von der Universitätsklinik für Dermatologie.
Präzise Vorhersagemodelle
Im Christian-Doppler-Labor (CD-Labor) für Maschinelles Lernen zur Präzisionsbildgebung werden mithilfe Künstlicher Intelligenz verbesserte Vorhersagemodelle für Lungenkrebs und dessen personalisierte Behandlung entwickelt. Dabei werden radiologische und pathologische Bilder sowie molekulare Daten von Lungenkrebspatienten mithilfe von Deep Learning verknüpft. Diese Algorithmen bieten neue Möglichkeiten, Muster in Bilddaten zu erkennen und deren Zusammenhang mit Diagnose und Prognose herzustellen. Auf diese Weise sollen präzise Vorhersagemodelle für die Diagnose und Behandlung von Lungenkrebs erforscht und entwickelt werden, die auf einzelne Patienten individuell zugeschnitten werden können. „Es reicht nicht aus, KI zur Automatisierung zu nutzen – das tun wir bereits. Der wichtigste Beitrag von KI wird sein, uns zu helfen, etwas Neues zu entdecken“, so CAIM-Leiter Langs.
CAIM-Leiter Georg Langs im Kurzinterview:
„Die besten Ideen entstehen, wo Medizin und
Technik zusammenarbeiten“
Georg Langs hat am 1. Mai 2025 die Leitung des Comprehensive Center for AI in Medicine (CAIM) an der Medizinischen Universität Wien übernommen.
Langs ist promivierter Informatiker und verfügt über einen Masterabschluss in Mathematik an der Technischen Universität Wien.
Herr Professor Langs, die MedUni Wien hat ein neues Zentrum für KI in der Medizin gegründet. Wozu?
Unsere Motivation für das neue Zentrum war, dass KI nicht einfach ein fertiges Produkt ist, das in der Medizin „nur“ angewendet wird. Stattdessen entstehen die besten Entwicklungen und Ideen dort, wo Technik und Medizin eng zusammenarbeiten. Viele Algorithmen, die in anderen Feldern gut funktioniert haben, scheitern an der medizinischen Wirklichkeit. Relevante methodische Fortschritte werden oft erst dann möglich, wenn reale Patientendaten und medizinische Intuition in die Forschung und Entwicklung eingebunden werden – und umgekehrt profitieren Medizinerinnen und Mediziner, wenn sie regelmäßig mit KI-Experten zusammenarbeiten. Dieses Zentrum soll genau das ermöglichen: interdisziplinären Austausch und gemeinsame Forschung auf hohem Niveau.
Was genau ändert sich dadurch im Operationssaal?
Vor allem die Geschwindigkeit. Was früher Stunden oder Tage dauerte, geschieht nun intraoperativ unter Einbindung der Pathologen in wenigen Minuten. Das bedeutet nicht, dass die Pathologie ersetzt wird, sondern dass sich Entscheidungsprozesse und Abläufe grundlegend verändern. Die KI unterstützt dabei Chirurginnen und Chirurgen so, dass wichtige Entscheidungen während der OP rascher und besser getroffen werden können – zum Beispiel darüber, ob das Tumorgewebe vollständig entfernt wurde. Das erhöht die Präzision sowie Sicherheit des Eingriffs und reduziert das Risiko, dass Tumorreste verbleiben. Im Rahmen von aktuellen Forschungsprojekten konnte auch gezeigt werden, dass mittels weiterer KI-Anwendungen die Tumorart und sogar genetische Tumorinformationen mit hoher Genauigkeit während der OP angezeigt werden können.
Bringt KI tatsächlich mehr Effizienz in die Medizin, wie es immer versprochen wird?
Ein Projekt unter der Leitung von Wolfgang Bogner, an dem unsere Arbeitsgruppe beteiligt ist, beschäftigt sich mit der Magnetresonanz-Spektroskopie. Diese Methode erlaubt es, einzelne Metaboliten im Gewebe sichtbar zu machen – bisher war sie allerdings zeitlich extrem aufwendig: über 10 Stunden Rechenzeit für die Datenverarbeitung. Mit Deep-Learning-Methoden konnten wir diese Zeit auf 5 Minuten reduzieren – bei gleichzeitiger Möglichkeit, 3D-Bilder auch von geringeren aufgenommenen Rohdaten zu rekonstruieren. Das macht die Methode erstmals klinisch praktikabel.
Und wie sieht es mit der Verbesserung der Behandlungsqualität aus?
Hier kann KI deutlich mehr leisten als reine Automatisierung. Zum Beispiel in der Pathologie: Wir können heute die Heterogenität innerhalb eines Tumors sichtbar machen, Risikobereiche lokalisieren und diese Informationen mit molekularen Profilen kombinieren. Das hilft, Krankheitsmechanismen besser zu verstehen.
Interview: Josef Broukal
