Zum Inhalt

TRUST-RAD: Verlässliche KI-Assistenztools für die Radiologie

Projektstatus

geschlossen

Projektbeginn

September 2024

Förderlaufzeit

12 Monate

Beteiligte Hochschulen

UZH

Praxispartner

Universitätsspital Zürich

Förderbetrag DIZH

CHF 75'000

TRUST-RAD hat KI-Tools für die Radiologie entwickelt, die nicht nur leistungsstark, sondern auch zuverlässig und transparent sind. Ein Highlight war RadVLM, ein neues KI-Modell für die Analyse von Thorax-Röntgenaufnahmen. Es kann Befunde erklären, Berichte entwerfen, klinische Fragen beantworten und relevante Bildbereiche hervorheben, wodurch die KI-Unterstützung für Radiolog:innen verständlicher und interaktiver wird. Das Projekt veröffentlichte zudem einen umfangreichen, öffentlich zugänglichen Datensatz mit über 1,1 Millionen Bild-Anweisungs-Paaren, der es Forscher:innen weltweit ermöglicht, vertrauenswürdigere medizinische KI-Systeme zu entwickeln. Die arXiv-Publikation des Teams wurde bereits 11-mal zitiert, im technischen Bericht von Gemini referenziert, und wurde auf dem ICML 2025 Workshop präsentiert. Ein weiterer wichtiger Meilenstein war die Zusage eines Rechenzeit-Grants von 500.000 GPU-Stunden durch die Swiss AI Initiative. Dieser unterstützt die Entwicklung eines „3D Vision-Language-Modells für die Radiologie», das die KI-Unterstützung von 2D-Röntgenbildern auf 3D-Bildgebung wie CT-Scans ausweitet. TRUST-RAD trägt dazu bei, dass KI in der Radiologie sicherer, transparenter und klinisch nützlicher wird.

Publikationen und Vorträge

  • arXiv publication: Das Team veröffentlichte die RadVLM-Forschungsarbeit auf arXiv, die bereits zitiert wurde und im technischen Bericht von Gemini erwähnt wurde.
  • Präsentation beim ICML 2025 Workshop: Die Arbeit des Projekts wurde angenommen und auf dem ICML 2025 Workshop zu multimodalen Grundlagenmodellen und grossen Sprachmodellen für die Biowissenschaften vorgestellt.

Weitere Veröffentlichungen (Open Science Outputs, verfügbar unter https://physionet.org/)

  • RadVLM Instruction Dataset: Ein grosser, öffentlich zugänglicher Datensatz mit über 1,1 Millionen Bild-Anweisungs-Paaren wurde veröffentlicht, um die Entwicklung zuverlässiger medizinischer KI zu unterstützen.
  • RadVLM Model: Das trainierte Modell und die Ressourcen wurden der Forschungsgemeinschaft öffentlich zugänglich gemacht.

Team

Dr. Farhad Nooralazadeh, UZH Department of Quantitative Biomedicine

Dr. Nicolas Deperrois, UZH Department of Quantitative Biomedicine

Prof. Dr. Michael Krauthammer, UZH Department of Quantitative Biomedicine

Praxispartner

Dr. med. Christian Blüthgen, Universitätsspital Zürich, Institute for Diagnostic and Interventional Radiology

Prof. Dr. med. Thomas Frauenfelder, Universitätsspital Zürich, Institute for Diagnostic and Interventional Radiology

Call-Typ: 3. Rapid-Action-Calls «Digitale Resilienz: im Spannungsfeld zwischen Deep Fake und Cyberkreativität»