Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Einfach buchen

Buchen Sie jetzt RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 - Kongress für medizinische Radiologie und bildgeführte Therapie und verpassen Sie keines unserer lehrreichen und informativen Webinare zu verschiedenen Themen der Radiologie.

  • Wissenschaft & Fortbildung
  • CME-Punkte
  • Themenvielfalt
  • Dialog & Interaktion
Jetzt buchen

Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an dieser Veranstaltung auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie gebucht haben oder noch nachbuchen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an dieser Veranstaltungen auch ohne Buchung von RÖKO DITITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie gebucht haben oder noch nachbuchen.

Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Kongressteilnehmer.

Als Teilnehmer am RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie loggen Sie sich bitte ein, um an dieser Industrie­veranstaltung teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen. Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

Login

WISS 102

Radiologische Agenten

Radiologische Agenten
Mittwoch, 13. Mai 2026 · 14:15 bis 15:15 Uhr
Diese Veranstaltung findet ausschließlich als Präsenzveranstaltung im Congress Center Leipzig (CCL) statt. Diese Veranstaltung kann nicht über einen Stream sondern nur vor Ort besucht werden.
13
Mai

Mittwoch, 13. Mai 2026

14:15 bis 15:15 Uhr · Raum: Einbau 1  in Kalender übernehmen:   iCal  ·  Google
Kongress buchen

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Wissenschaftliche Sitzung
Thema
IT/ Bildverarbeitung / Software
Zielgruppe
Andere, Ärzte in Weiterbildung (AiW), Fachärzte, Ingenieure / Naturwiss., Studenten

Zertifizierungen

Der RÖKO LEIPZIG wird im Rahmen einer Kongresszertifizierung durch die Sächsische LÄK bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Informationen

Moderation
Jennifer Gotta (Frankfurt am Main)
Robert Terzis (Köln)

Ablauf

14:15 - 14:20

Vortrag (Wissenschaft)

Guideline zum methodischen Reporting von Studien zu Large Language Models in der Radiologie

Jonathan Kottlors (Köln)

weitere Autoren

Andra-Iza Iuga (Cologne) / Christian Bluethgen (Zürich) / Keno Bressem (Munich) / Jakob Nikolas Kather (Dresden) / Linda Moy (New York) / Christoph Wald (Burlington, Massachusetts) / Wei Wang (Guangzhou) / Tianming Liu (Athens, USA) / Erik Ranschaert (Eupen, Belgium) / Thomas Dratsch (Cologne) / Jens Kleesiek (Essen) / Roman Johannes Gertz (Cologne) / Pranav Rajpurkar (Boston) / Arash Bedayat (Los Angeles) / Matthias A. Fink (Heidelberg) / Almut Zeeck (Freiburg im Breisgau) / Akshay Chaudhari (Stanford) / Tarik Alkasab (Boston) / Honghan Wu (London) / Felix Nensa (Essen) / Benyou Wang (Shenzhen) / Nils Große Hokamp (Cologne) / Kai Roman Laukamp (Cologne) / Thorsten Persigehl (Cologne) / David Maintz (Cologne) / Daniel Truhn (Aachen) / Simon Lennartz (Cologne)

Zielsetzung

Große Sprachmodelle (Large Language Models, LLMs) haben in zahlreichen wissenschaftlichen Arbeiten ihr Potenzial für die Radiologie gezeigt, etwa zur Erstellung textueller Zusammenfassungen, zur diagnostischen Entscheidungsunterstützung, Qualitätssicherung von Befunden und teils auch in der Bildanalyse. Der Anstieg entsprechender Publikationen geht mit einer großen Variabilität in der Darstellung des methodischen Vorgehens einher, was Reproduzierbarkeit und Vergleichbarkeit erschwert. Ziel dieser Studie war die Entwicklung einer Guideline zur einheitlichen Darstellung von LLM-Studien in der Radiologie. Im Rahmen eines mehrstufigen Experten-Delphi-Prozesses sollte eine standardisierte Checkliste entstehen, die wissenschaftlichen Autoren, Reviewern und Editoren als Werkzeug zur Qualitätssicherung zukünftiger Arbeiten dient.

Material und Methoden

Die Guideline wurde in zwei Schritten entwickelt. Zunächst erfolgte eine systematische Aufarbeitung der Literatur zu LLM-Studien in der Radiologie (Mai 2023–März 2024; PubMed, IEEE Xplore, ACM Digital Library). Von 511 gescreenten Arbeiten wurden 57 eingeschlossen. Anschließend wurden die identifizierten Aspekte in einem vierstufigen Delphi-Prozess mit 20 internationalen Expertinnen und Experten bewertet, konsentiert und ergänzt.

Ergebnisse

Das Gremium einigte sich auf 32 finale Items in sechs Themenbereichen: allgemeine Informationen, Prompting und Fine-Tuning, Leistungsmetriken, Ethik und Datentransparenz, Implementierung und Limitationen sowie weitere optionale Aspekte.

Schlussfolgerungen

Die Analyse zeigte eine heterogene und teils unvollständig dokumentiertes methodisches Vorgehen bisheriger Arbeiten. Im beschriebenen Entwicklungsprozess wurde die FLAIR-Guideline (Framework for LLM Assessment in Radiology) erstellt. Sie soll Reproduzierbarkeit, Vergleichbarkeit und Bewertung zukünftiger Studien erleichtern, mit dem letztendlichen Ziel, die Integration von LLMs in die klinische Routine zu fördern.
14:20 - 14:25

Vortrag (Wissenschaft)

Informierte Einwilligung durch KI-Unterstützung? Eine prospektive kontrollierte Studie mit Retrieval-Augmented Generation für CT-Aufklärungsgespräche

Felix Busch (München)

weitere Autoren

Lukas Kaibel (Berlin) / Keno K. Bressem (München) / Marcus R. Makowski (München) / Lisa C. Adams (München) / Tim Landgraf Landgraf (Berlin)

Zielsetzung

Evaluation der Machbarkeit, Benutzerfreundlichkeit und Effektivität eines Retrieval-Augmented Generation (RAG)-gestützten Patient:inneninformations-Assistenten (PIA)-Chatbots für CT-Aufklärungsgespräche im Vergleich zum ärztlichen Aufklärungsgespräch.

Material und Methoden

Insgesamt wurden 86 Patient:innen zwischen November und Dezember 2024 entweder der PIA-Gruppe (n=43) oder der Kontrollgruppe mit ausschließlich ärztlicher Aufklärung (n=43) zugeteilt. Erfasst wurden Zufriedenheit, Verständlichkeit/Informationsgrad (jeweils 10-Punkte-Likert-Skalen), verbleibende Sorgen sowie die Dauer des anschließenden ärztlichen Gesprächs. Zwei unabhängige Radiolog:innen bewerten die PIA-Chats in fünf Qualitätskategorien. Auswertung mittels logistischer Regressionsanalysen mit Adjustierung für demografische und klinische Kovariaten.

Ergebnisse

Die Verständlichkeit der Informationen (PIA 8,64±1,69 vs. Kontrolle 8,86±1,28; p=0,82) sowie das Gesamtverständnis (8,81±1,40 vs. 8,93±1,61; p=0,35) waren in beiden Gruppen hoch und vergleichbar. Hingegen reduzierte das ärztliche Gespräch die Sorgen effektiver (8,30±2,63 vs. 6,46±3,29; p=0,003). Nach vorgelagerter PIA-Nutzung verkürzte sich die anschließende ärztliche Aufklärung signifikant (Median 120 s [IQR 100–140] vs. 195 s [170–220]; p=0,04). In der PIA-Gruppe präferierten 69,77 % beide Verfahren gleichermaßen, 11,63 % PIA und 18,60 % das ärztliche Gespräch. Präferenzen korrelierten nicht mit Basismerkmalen. Beide Radiolog:innen bewerteten die Chats überwiegend als „sehr gut“ bis „exzellent“, mit hoher klinischer Nützlichkeit/Relevanz und Aktualität.

Schlussfolgerungen

Ein RAG-gestützter Chatbot ermöglicht CT-Aufklärungsgespräche mit Patient:innen, die in Qualität und Verständlichkeit mit der ärztlichen Aufklärung vergleichbar sind, und reduziert zugleich die ärztliche Gesprächsdauer signifikant. Für die Minderung von Sorgen ist jedoch die ärztliche Interaktion überlegen. RAG sollte daher als komplementäres Instrument eingesetzt und hinsichtlich Empathie und Adaptivität optimiert werden.

Teilnahme Young Investigator Award

14:25 - 14:30

Vortrag (Wissenschaft)

Dateneffiziente Vorhersage von MRT-Bildgebungsprotokollen unter Verwendung von Open-Weights-Large-Language-Modellen und selbstreflexiver Prompt-Optimierung

Marius Vach (Düsseldorf)

weitere Autoren

Christian Boschenriedter (Düsseldorf) / Vivien Ivan (Düsseldorf) / Daniel Weiss (Düsseldorf) / Julian Caspers (Düsseldorf) / Christian Rubbert (Düsseldorf)

Zielsetzung

Bewertung eines hierarchischen, lokal einsetzbaren Large Language Model (LLM)-Systems für die automatisierte Festlegung von MRT-Protokollen, das die Probleme der Datenprivatsphäre, des Annotationsaufwands und der Skalierbarkeitsbeschränkungen bestehender Ansätze adressiert.

Material und Methoden

Diese retrospektive Studie umfasste 598 deutschsprachige MRT-Anforderungen für neuroradiologische Untersuchungen (Gehirn, Kopf/Hals, Wirbelsäule) von 06/2018 bis 01/2023. Ein Radiologe mit 7 Jahren Erfahrung annotierte die Anforderungen für 27 Protokollklassen auf der Grundlage lokaler SOPs. Es wurde ein hierarchisches LLM-System unter Verwendung von MedGemma 27B mit einer zweistufigen Klassifizierung entwickelt: Zuerst Vorhersage der anatomischen Region, gefolgt von der Protokollauswahl. Das System wurde mit „Stochastic Introspective Mini-Batch Ascent (SIMBA)“, einem selbstreflexiven Algorithmus zur Prompt-Optimierung, optimiert. Die Dateneffizienz wurde anhand von Trainings-Datensätzen mit 10 bis 119 Beispielen in drei Optimierungsläufen pro Trainingsgröße bewertet.

Ergebnisse

Das optimierte System erreichte eine Genauigkeit von 74,46% ± 3,82% im Vergleich zu einer unoptimierten Basisleistung von 57,41%, was einer statistisch signifikanten Verbesserung um 18,05% entspricht (p<0,001). Die Daten-Effizienzanalyse ergab eine Leistungsplateau ab etwa 30 Trainingsbeispielen (73,90% ± 3,24% Genauigkeit), ohne statistisch signifikante Unterschiede zwischen Trainingsgrößen von 30 bis 119 Beispielen. Es zeigte sich eine vergleichbare Leistung zwischen dem Modell mit 22 Klassen (Gehirn und Kopf/Hals MRT-Anforderungen) und 27 Klassen (Gehirn, Kopf/Hals, Wirbelsäule) (p>0,05 für alle Vergleiche), was die Skalierbarkeit der Architektur belegt.

Schlussfolgerungen

Dieses lokal einsetzbare LLM-System erreicht eine mit früheren Arbeiten vergleichbare Genauigkeit, benötigt dabei jedoch nur minimale Trainingsdaten und schützt die Privatsphäre der Patiente und könnte die Arbeitsabläufe in radiologischen Abteilungen effizienter gestalten.

Teilnahme Young Investigator Award

14:30 - 14:35

Vortrag (Wissenschaft)

Active Learning steigert die Effizienz der Annotation zur KI-gestützten Vorhersage von MRT-Protokollen

Christian Boschenriedter

weitere Autoren

Christian Rubbert (Düsseldorf) / Marius Vach (Düsseldorf) / Julian Caspers (Düsseldorf)

Zielsetzung

Die automatisierte Festlegung von MRT-Protokollen mithilfe von Sprachmodellen anhand Freitext-Anforderung der Zuweisenden bietet großes Potential für Standardisierung und effiziente Arbeitsabläufe. Die Anpassung solcher Modelle an lokale Begebenheiten bedarf der manuellen Annotation von Trainingsdaten, was zeitaufwendig ist und die Entwicklung begrenzt. Wir untersuchten daher, ob Active Learning die Annotation effizienter macht und den Aufwand senkt.

Material und Methoden

Das frei verfügbare Sprachmodell medBERT.de wurde nachtrainiert, um anhand der elektronischen Anforderung von cranialen MRTs zwischen neun verschiedenen Protokollklassen zu unterscheiden. Der Testdatensatz umfasste 410 Fälle, während der initial nicht-annotierte Trainingsdatensatz aus 48.395 Fällen bestand. Die Annotation erfolgte in einem iterativen Annotationsprozess, bei dem in jeder der insgesamt 32 Iterationen 15 Fälle zusätzlich annotiert wurden. Die zufällige Auswahl der Fälle in jeder Iteration (Random Labeling) wurde gegen die Annotation mit Active Learning verglichen, bei dem die zu annotierenden Datensätze anhand der Modellunsicherheit zu den Fällen ausgewählt wurden. Nach jeder Iteration wurde das Modell neu trainiert und auf dem Testdatensatz evaluiert, um den Lernfortschritt zwischen beiden Strategien zu vergleichen.

Ergebnisse

Bei beide Verfahren kam es innerhalb der ersten fünf Iterationen zu einen starken Anstieg der Accuracy des Modells von initial 40% auf über 65%. Während sich die Accuracy bei Verwendung von Active Learning anschließend weiter erhöhte und gegen 80% konvergierte, stagniert sie bei Random Labeling im Bereich von 60 bis 65%. Die Konfidenzintervalle blieben beim Active Learning über die Iterationen hinweg enger, was auf eine stabilere Klassifikationsleistung hinweist.

Schlussfolgerungen

Active Learning ermöglichte eine deutliche effizientere Nutzung begrenzter Annotationen als herkömmliches Labeling und kann somit die Entwicklung oder Anpassung von KI-Modellen zur Protokollvorhersage beschleunigen.
14:35 - 14:40

Vortrag (Wissenschaft)

Bayesianische Unsicherheitsschätzung verbessert die klinische Entscheidungsfindung in medizinischen KI-Agenten

Frederik Hauke

Zielsetzung

Die Integration von maschinellen Lernmodellen in die medizinische Bildgebung hat den Bedarf an zuverlässigen und interpretierbaren Vorhersagen verdeutlicht, insbesondere in kritischen klinischen Umgebungen. Viele Modelle, einschließlich großer Sprachmodelle, überschätzen jedoch die Sicherheit eigener Vorhersagen und verfügen nicht über Mechanismen zur Quantifizierung der prädiktiven Unsicherheit. Ziel dieser Studie ist es, Monte-Carlo (MC)-Dropout, eine recheneffiziente Bayesian Deep Learning (BDL)-Methode, zu nutzen, um epistemische Unsicherheit in einem Vision Transformer (ViT)-Modell für die Thorax-Röntgenanalyse zu schätzen und dessen klinischen Nutzen zu demonstrieren.

Material und Methoden

MC-Dropout wurde in das moderne DINOv2-ViT-Modell integriert, um häufige Pathologien in einem Röntgen-Thorax-Datensatz zu klassifizieren, einer Multilabel-Binärklassifikationsaufgabe. Die Unsicherheitsschätzungen des Modells wurden verwendet, um die Interpretierbarkeit zu verbessern und die klinische Entscheidungsfindung zu unterstützen. Das unsicherheitsbewusste Modell wurde in einen medizinischen KI-Agenten integriert, der in der Lage ist, autonom spezialisierte Modelle, wie z.B. den Röntgen-Thorax-Klassifikator auszuwählen, Vorhersagen mit Unsicherheitsschätzungen zu analysieren und evidenzbasierte Erkenntnisse für fiktive klinische Fälle bereitzustellen.

Ergebnisse

Das mit MC-Dropout erweiterte DINOv2-ViT-Modell ermöglichte eine zuverlässige Schätzung epistemischer Unsicherheit bei der Klassifikation von Thorax-Röntgenbildern. Der entwickelte medizinische KI-Agent konnte durch die Integration von Unsicherheitsschätzungen die Interpretierbarkeit der Vorhersagen verbessern und evidenzbasierte Erkenntnisse für klinische Entscheidungen liefern.

Schlussfolgerungen

Dieser Ansatz unterstreicht die Bedeutung unsicherheitsbewusster Systeme für die Verbesserung der Zuverlässigkeit und Sicherheit KI-gestützter Radiologie-Werkzeuge und ebnet den Weg für eine effektivere Integration von maschinellem Lernen in klinische Arbeitsabläufe.

Teilnahme Young Investigator Award

14:45 - 14:50

Vortrag (Wissenschaft)

Optical See-through und Video See-through Head-mounted Displays bei perkutanen Biopsien: eine vergleichende Studie

Alice Jacob (Bonn)

weitere Autoren

Alexander Böhner (Bonn) / Andreas Henkel (Bonn) / Taraneh Aziz-Safaie (Bonn) / Lukas Oelmeier (Bonn) / Nick Lenzen (Bonn) / Anna-Maria Odenthal (Bonn) / Mohammed Bahaaeldin (Bonn) / Aileen Schmidt (Bonn) / Darius Kurt (Bonn) / Joseph Sieber (Bonn) / Leon Bischoff (Bonn) / Yannik Layer (Bonn) / Dmitrij Kravchenko (Bonn) / Marilia Voigt (Bonn) / Patrick Kupczyk (Bonn) / Tatjana Dell (Bonn) / Narine Mesropyan (Bonn) / Alexander Isaak (Bonn) / Claus Pieper (Bonn) / Julian A. Luetkens (Bonn) / Daniel Kuetting (Bonn)

Zielsetzung

Ziel dieser Studie war es, den zusätzlichen Nutzen von optical see-through (OST) und video see-through (VST) Head-mounted Displays (HMDs) im Extended-Reality-(XR-)Einsatz bei perkutanen Biopsien an einem abdominalen Phantom zu vergleichen.

Material und Methoden

Getestet wurde ein OST-Gerät (Magic Leap 2, ML2) sowie ein VST-Gerät (Apple Vision Pro, AVP) an einem Abdominalphantom. 16 Radiolog:innen (5 erfahrene, 11 Anfänger:innen) führten jeweils sechs Nadeleinstiche durch: zwei ohne XR, zwei mit ML2 und zwei mit AVP. Es wurden zwei Läsionen unterschiedlicher Schwierigkeit (Tiefe und Gefäßnähe) anvisiert. Nach dem Eingriff erfolgte eine CT zur Messung der Genauigkeit (Abstand und Winkel sowie erfolgreicher Treffer der Läsion mit der Nadel). Zusätzlich wurden kognitive Belastung und Nutzererfahrung mittels NASA Task Load Index (NASA-TLX) erhoben.

Ergebnisse

Die Anfänger:innen profitierten stärker von XR als die erfahrenen Radiolog:innen. Besonders bei der komplexeren, näher an Gefäßen liegenden Läsion verbesserte sich die Zielgenauigkeit mit XR: Erfolgsraten konventionell 1/11, ML2 2/11, AVP 4/11; mittlerer Abstand zum Ziel: konventionell 17,95 ± 9,14 mm; ML2 14,21 ± 6,27 mm; AVP 12,02 ± 7,19 mm. XR reduzierte zudem die Punkturzeit, insbesondere bei den Anfänger:innen (ML2: 63,3 % der Ausgangszeit; AVP: 56,9 %). Die Anfänger:innen adaptierten beide Systeme gut, zeigten keine signifikanten Unterschiede der wahrgenommenen Belastung im Vergleich zur konventionellen Punktur und erzielten ähnliche Leistungswerte. Die NASA-TLX-Werte zeigten, dass AVP von erfahrenen Radiolog:innen als mental und physisch belastender wahrgenommen wurde. Beide Gruppen favorisierten subjektiv die ML2.

Schlussfolgerungen

Diese Arbeit zeigt, dass VST-HMDs vergleichbare Leistungen zu OST-HMDs bei der Nadelplatzierung erbringen und sich sowohl für weiterführende Forschung als auch die klinische Anwendung in der interventionellen Radiologie, insbesondere für Anfänger:innen, eignen.

Teilnahme Young Investigator Award

14:50 - 14:55

Vortrag (Wissenschaft)

Large Language Models oder regelbasierte Sprachverarbeitung – welche Methode eignet sich besser zur Datenextraktion aus strukturierten Befunden?

Matthias Fink (Heidelberg)

weitere Autoren

Kai Schlamp (Heidelberg)

Zielsetzung

Ziel dieser Studie war es, Large Language Models mit offenen Gewichten („Open-Weights-LLMs“) und proprietäre LLMs einem regelbasierten Extraktor (RBE) gegenüberzustellen und ihre Performance bei der automatisierten Datenextraktion aus strukturierten CT-Befunden zu evaluieren. Zugleich wurde untersucht, ob eine hybride RBE-LLM-Pipeline – in der ein LLM nur bei RBE-Versagen eingesetzt wurde – Leistung und Effizienz weiter steigert.

Material und Methoden

In dieser retrospektiven monozentrischen Auswertung wurden 2923 strukturierte CT-Befunde (10/2021–03/2025) untersucht. Verglichen wurden drei Workflows: (1) ein RBE, (2) ein modellagnostischer LLM-Extraktor (18 Open-Weights-LLMs, vier GPT-4-LLMs) und (3) eine hybride Pipeline mit gezieltem LLM-Einsatz bei RBE-Versagen. Als Referenzstandard diente eine verblindete Korrektur fehlerhafter RBE-Extrakte durch zwei Oberärzte. Als humane Baseline dienten acht Radiologen mit manueller Annotation und Zeitmessung. Primäre Endpunkte waren Recall, Precision, Accuracy und F1-Score; sekundär wurden Zeitaufwand, Kosten und CO₂-Emissionen erfasst.

Ergebnisse

Qwen3-14b und GPT-4.1-mini erreichten vergleichbare F1-Werte (0,97 vs. 0,95; p = 0,70) und übertrafen den RBE (0,82; p < 0,001). Die Performance der Korrektur von RBE-Fehlern war bei Open-Weights- und proprietären LLMs ähnlich (89,8 % vs. 91,7 %; p = 0,25). Die hybride Pipeline erhöhte den F1-Score von 0,81 auf 0,97 (p < 0,001), senkte die Bearbeitungszeit von 8,1 h auf 0,97 h, die Kosten von 0,90 € auf 0,17 € und die CO₂-Emissionen von 0,82 kg auf 0,10 kg. Die manuelle Bearbeitung durch die acht Radiologen erforderte 32,8 h (Ø 43,4 s und 0,45 € pro Befund).

Schlussfolgerungen

Open-Weights-LLMs zeigten eine mit proprietären LLMs vergleichbare Leistung bei der Befundextraktion. Eine regelbasierte Pipeline mit selektivem LLM-Einsatz verbesserte die Genauigkeit sowie Effizienz und senkte Zeitaufwand, Kosten und Emissionen. Der hybride Ansatz bietet somit einen praxisnahen Weg für eine automatisierte klinische Sprachverarbeitung.
14:55 - 15:15

Diskussion

Diskussion

Häufige Fragen

Wie kann ich mich zum RÖKO LEIPZIG anmelden?

Alle Informationen zur Anmeldung für den RÖKO LEIPZIG erhalten Sie unter Anmeldung.

Um einen zügigen Zugang zum Kongress zu erhalten, empfehlen wir allen, die digitale Anmeldung im Vorfeld zu nutzen.

Eine persönliche Anmeldung in Leipzig können Sie ab dem 13.05.2026 vor Ort am Registrierungscounter im Congress Center Leipzig (CCL) vornehmen.

Für teilnahmebegrenzte Kurse (Workshops/MTR-Workshops/MTR-Klinik-Seminare) fallen gesonderte Teilnahmegebühren an. Wir empfehlen, diese frühzeitig mit der Online-Anmeldung zu buchen.

Wie stelle ich mein persönliches Kongressprogramm zusammen?

Um Ihnen die persönliche Kongressplanung im Rahmen des RÖKO LEIPZIG so einfach wie möglich zu machen, haben wir für Sie die Vormerken-Funktion eingeführt, mit deren Hilfe Sie Ihr persönliches Kongressprogramm zusammenstellen und jederzeit online darauf zugreifen können.

Informationen zum Vormerken finden Sie auf der Seite "So gestalten Sie Ihr persönliches Programm für den RÖKO LEIPZIG", Ihr persönliches RÖKO LEIPZIG-Programm finden Sie im Benutzermenü in Listenansicht und als grafische Tagesansicht.

Ich halte einen Vortrag – was muss ich beachten?

Alle wichtigen Informationen rund um Ihren Vortrag beim 107. Deutscher Röntgenkongresses in Leipzig haben wir für Sie demnächst unter "Informationen für Vortragende" zusammengestellt.

Wie erwerbe ich CME-Punkte auf dem RÖKO LEIPZIG?

Der Deutsche Röntgenkongress wird von der Sächsischen Landesärztekammer (LÄK) zertifiziert.

Bitte beachten Sie: Sollten Sie als Fachärztin oder Facharzt Fortbildungspunkte erwerben, erfolgt die Übermittlung der gesammelten CME-Punkte nach dem RÖKO LEIPZIG automatisch an Ihre Ärztekammer. Voraussetzung hierfür ist, dass Ihre EFN im Registrierungssystem hinterlegt ist.

Für die Erfassung ist das Scannen des QR-Codes auf Ihrem Kongressausweis sowie des QR-Codes der besuchten Sitzungen erforderlich. Hierfür benutzen Sie den Scannerfunktion Ihres mobilen Endgerätes.

Weitere Informationen unter Zertifizierung.

Falls keine EFN-Nummer hinterlegt ist, können Sie diese in dem Modul „Mein Account“ im Registrierungssystem ergänzen oder uns per E-Mail an registrierung-roeko@kukm.de mitteilen.

Wie erhalte ich Anwesenheits- bzw. Teilnahmebescheinigungen?

Sie können Ihre Teilnahmebescheinigung mit den ausgewiesenen CME-Punkten ca. drei Wochen nach dem Kongress im Registrierungssystem abrufen. Sobald der Download möglich ist, werden Sie per E-Mail benachrichtigt.

Wie evaluiere ich den RÖKO LEIPZIG?

Bewerten Sie Vorträge auf dem Röntgenkongress 2026 in Leipzig, an denen Sie teilgenommen haben und nehmen Sie Einfluss auf das nächste Kongressprogramm!

In der WebApp zur Teilnahmeerfassung erhalten Sie zu jeder Sitzung, an der Sie teilgenommen haben, einen Link direkt zur Evaluation der jeweiligen Sitzung.

Alternativ klicken Sie innerhalb des Programmkalenders auf der #RÖKO2026-Webseite auf den Button „Evaluation“ und Sie werden anschließend zu den Evaluationsfragen der aktuellen Sitzung geführt und können dort Ihre Bewertung abgeben.

Weitere Fragen finden Sie in unserer RÖKO LEIPZIG - A bis Z.
Werden Sie auch dort nicht fündig, rufen Sie uns gern via 030 - 916 070 - 66 an oder schreiben Sie eine E-Mail an kongress@drg.de.