Der „Diagnostic Twin“: Intelligente Technik für den Scan, der sieht, diagnostiziert und navigiert

Jedes Jahr werden irgendwo auf der Welt eine Milliarde diagnostischer Aufnahmen ausgewertet. Die meisten erzählen eine Geschichte, der das Auge folgen kann. Eine hartnäckige Minderheit verbirgt den Befund, der ein Leben verändert, in einem nur millimeterbreiten Schatten, in einem Ast der Atemwege, den das Endoskop noch nie gesehen hat. Die medizinische Bildgebung ist das Rückgrat der modernen Gesundheitsversorgung – ein Markt, der im Jahr 2024 ein Volumen von 42 Milliarden US-Dollar erreichte und auf dem besten Weg ist, bis 2032 die Marke von 68 Milliarden US-Dollar zu überschreiten. Doch die tiefere Wahrheit dieses Jahrzehnts ist einfacher: Das Bild ist nicht mehr der Engpass. Es kommt darauf an, was wir damit machen.

Deshalb komme ich immer wieder auf einen Gedanken zurück: den diagnostischen Zwilling.

Die wahre Lücke in der heutigen Medizintechnik

KI in der Medizintechnik ist nicht mehr experimentell. Sie ist existenziell. Eine alternde Bevölkerung, überlastete Radiologen und Datensätze, die schneller wachsen als die Menschen, die sie auswerten, haben unsere Branche an den Punkt gebracht, an dem ein besseres Modell allein nicht mehr die Lösung ist. Der weltweite Markt für chirurgische Bildgebung wird voraussichtlich von 5,76 Milliarden US-Dollar im Jahr 2025 auf 9,60 Milliarden US-Dollar bis 2034 ansteigen, und allein Krankenhäuser in den Vereinigten Staaten geben jährlich über 5 Milliarden US-Dollar für Geräte zur chirurgischen Bildgebung aus. Die Ausgaben steigen. Die Wissenslücke wächst noch schneller.

Ich habe beobachtet, wie ein Bronchoskop sich durch tausend Atemwege zu einem Knoten von etwa der Breite eines Reiskorns vorarbeitete – mit begrenztem räumlichem Kontext und ohne Sicht auf die Blutgefäße. Diese Lücke zwischen dem, was der Scan zeigt, und dem, was das Gerät wissen muss, wird über Erfolg oder Misserfolg der nächsten Generation der Medizintechnik entscheiden.

Vom statischen Bild zum lebenden Zwilling

Ein digitaler Zwilling ist keine 3D-Rekonstruktion mit einer Marketing-Hülle. Richtig umgesetzt ist er ein patientenspezifisches Modell, das aus einem einzigen CT-Scan erstellt wird und sich durch vier Stufen der Intelligenz entwickelt: strukturell, diagnostisch, verfahrenstechnisch und verhaltensbezogen. Jede Stufe fügt eine Ebene hinzu, auf die ein Gerät oder ein Kliniker reagieren kann, wodurch der Scan von einem statischen Bild zu einer Arbeitsreferenz wird, wie Ansätze wie der „Lung Digital Twin“ von LTTS veranschaulichen.

Die strukturelle Ebene kartiert automatisch jeden Atemweg, jedes Gefäß und jeden Lungenlappen – zu über 90 Prozent KI-automatisiert, ohne manuelle Annotation. Die diagnostische Ebene erkennt und lokalisiert Tumore, Fibrosen, Emphyseme und Obstruktionen und zeigt, wie sie zu den jeweiligen Schlussfolgerungen gelangt ist. Die verfahrenstechnische Ebene wandelt den Scan in einen Wegplan um, bevor das Endoskop bewegt wird, mit Kartierung der Gefäßnähe und Verzweigungsführung. Die verhaltensbezogene Ebene, die als Nächstes auf unserer Roadmap steht, simuliert Luftströmung, Krankheitsverlauf und Was-wäre-wenn-Szenarien, bevor eine Entscheidung den Patienten erreicht. 

Ein CT. Vier Intelligenzebenen. Eine einzige wiederverwendbare Pipeline, die sich bereits über Lunge, Leber, Herz, Gehirn und Auge erstreckt.

Warum der Wettlauf um Modelle der falsche Wettlauf ist

Unsere Branche hat fünf Jahre damit verbracht, höhere Genauigkeitswerte anzustreben. Diese Anstrengung war nicht umsonst. Sie war jedoch unzureichend. Der Engpass wurde nie modelliert. Es ging um die Disziplin, die Frage eines Klinikers in eine Designspezifikation umzuwandeln und diese Spezifikation dann in ein System umzusetzen, das eine Aufsichtsbehörde genehmigt, das ein Gerät in seinem eigenen Gehäuse ausführen kann und das ein Krankenhaus-IT-Team am Dienstagmorgen unterstützen kann.

Diese Disziplin hat einen Namen. Wir nennen sie „Engineering Intelligence“.

EI ist die Disziplin, Intelligenz in alles einzubauen, was wir entwickeln, und in alles, womit wir entwickeln. Sie versteht die Komplexität der Technik und wandelt sie in Intelligenz in großem Maßstab um. Sie zeigt sich in vier Formen, die alle vier in einem diagnostischen Zwilling sichtbar sind: Engineering-KI, die für physische Systeme Schlussfolgerungen zieht, agentische KI, die handelt, physische KI, die im Gerät läuft, und industrielle KI, die über die gesamte Flotte hinweg läuft.

Auf einen Zwilling angewendet ist EI der Grund dafür, dass aus einem Segmentierungsergebnis eine navigierbare Route wird. Es ist der Grund dafür, dass aus einer Schlussfolgerung eine Erklärung wird, der ein Kliniker vertraut und die ein Prüfer genehmigt. Es ist der Grund dafür, dass dieselbe Architektur, die heute eine Lunge abbildet, im nächsten Quartal eine Leber abbildet, ohne von vorne beginnen zu müssen.

Das Datenproblem, das niemand mit mehr Daten gelöst hat

Medizinische KI leidet seit jeher unter einem Mangel an den richtigen Daten. Unsere Reaktion als Branche bestand darin, nach mehr davon zu verlangen: größere Kohorten, sauberere Labels, mehr Einrichtungen. Doch damit wurde die Lücke nicht geschlossen.

Man kann sich nicht durch Annotationen den Weg zu Intelligenz auf Organebene bahnen. Man muss die Knappheit technisch umgehen. Über 90 Prozent automatisierte Segmentierung. Klinische Trainingsdaten aus mehreren Quellen. Erklärbarkeit, die bereits in das Modell integriert ist und nicht erst nachträglich angehängt wird. Dies sind technische Entscheidungen, bevor sie Datenentscheidungen sind. Sie sind der Grund dafür, dass der Zwilling in der realen Welt robust ist und nicht nur in einem Benchmark genau.

Warum technische Tradition zählt

In diesem Bereich gibt es eine Art von Glaubwürdigkeit, die man nicht vortäuschen kann. Sie rührt daher, dass wir die Fabriken gebaut haben, in denen die Geräte hergestellt werden, die Software, die die Geräte steuert, und nun auch die Intelligenz, die in ihnen steckt. Das ist der Grund, warum ein MedTech-CTO einem Partner vertraut, gemeinsam die Intelligenzebene eines Geräts zu entwickeln, das im Körper eines Patienten eingesetzt wird. Das ist der Grund, warum unsere Navigationsmethode patentiert ist. Das ist der Grund, warum NVIDIA unsere Plattform gewählt hat, um auf der RSNA 2025 zu demonstrieren, was eine beschleunigte KI-Infrastruktur für die Atemwegsdiagnostik leisten kann.

Die meisten KI-Unternehmen, denen ich begegne, sind über die Software zur Medizintechnik gekommen. Wir sind über die Softwareentwicklung dorthin gelangt. In dieser Branche ist diese Reihenfolge entscheidend.

Heute ein Organ, fünf auf der Roadmap

Die Lunge ist heute eine der ausgereiftesten Umgebungen für den Einsatz von „Diagnostic Twins“, doch die Prinzipien reichen weit über die Atemwegsmedizin hinaus – bis hin zu Lebererkrankungen, der kardiovaskulären Diagnostik, der Neurologie und der Augenheilkunde.

Was das Konzept so überzeugend macht, ist nicht die Modellierung eines einzelnen Organs, sondern die Möglichkeit eines wiederverwendbaren technischen Frameworks, das viele klinische Anwendungen unterstützt. Durch die Kombination von patientenspezifischer Bildgebung, KI-gestützter Interpretation, Verfahrensanleitung und Simulation innerhalb einer gemeinsamen Architektur könnten „Diagnostic Twins“ eine Grundlage bieten, die sich parallel zu zukünftigen diagnostischen und therapeutischen Innovationen weiterentwickelt – was für MedTech-Unternehmen eine strategische Frage aufwirft: Sollen sie individuelle KI-Fähigkeiten für jeden Bereich aufbauen oder in skalierbare Plattformen investieren, die im Laufe der Zeit ein breiteres Portfolio unterstützen?

Rechtzeitiges Handeln

Ein Stich zur rechten Zeit erspart neun, und in der Medizintechnik kann dies eine schnellere Markteinführung, geringere Compliance-Kosten und bessere Patientenergebnisse bedeuten. Die Organisationen, die wahrscheinlich die nächste Ära des Gesundheitswesens prägen werden, sind diejenigen, die jetzt handeln: Sie integrieren KI über den gesamten Produktlebenszyklus hinweg und nicht nur in isolierten Pilotprojekten, stimmen sie vom ersten Tag an auf klinische Arbeitsabläufe und Vorschriften ab und wählen Entwicklungspartner, die in der Lage sind, auf der Ebene des Geräts selbst zu arbeiten.

Das nächste Unterscheidungsmerkmal ist möglicherweise nicht der Sensor oder das Modell allein, sondern der diagnostische Zwilling zwischen beiden, der das Gerät steuert und dem Kliniker die Gründe für jeden Schritt verdeutlicht. Letztendlich steht die Branche vor einer strategischen Entscheidung: weiterhin ausschließlich auf Genauigkeit zu optimieren oder in die umfassendere Disziplin der „Engineering Intelligence“ zu investieren, die Bilddaten in klinische Erkenntnisse umwandelt.