Klagenfurt / Villach / Linz / Graz , Dezember 2025
Ein wegweisendes Forschungsprojekt zeigt, wie künstliche Intelligenz unstrukturierte Klinikdaten und komplexe Bildgebung entschlüsselt, um die Diagnose und Erforschung von Endometriose massiv zu beschleunigen. Im Rahmen einer starken Kooperation bündeln die KABEG, das Institut für Wirtschaftsinformatik und Software Engineering der Johannes Kepler Universität Linz (JKU), das Innovationszentrum Pro2Future und der MedTech-Plattformanbieter Four Panels ihre Kompetenzen.
Endometriose gehört zu den häufigsten Unterleibserkrankungen bei Frauen, bleibt jedoch aufgrund ihrer vielgestaltigen und oft unspezifischen Symptome jahrelang unentdeckt. Die wertvollsten Erkenntnisse für die Forschung schlummern tief vergraben in den Archiven von Kliniken: Ein riesiger, unstrukturierter Datenschatz aus abertausenden Dokumenten und medizinischen Bildern.
Das gemeinsame Konsortium stellte sich der Aufgabe, ein enormes Datenvolumen datenschutzkonform und strukturiert nutzbar zu machen. Die technologische und klinische Ausgangsbasis umfasste:
Über 32.000 PDF-Dokumente (ca. 38 MB komprimierter Text) mit rund 9 Millionen Wörtern.
Anonymisierte Daten von rund 4.600 Endometriosefällen (durchschnittlich 7 Befunde pro Patientin) bestehend aus OP-Berichten, Ambulanzbefunden, Befundberichten der Radiologie (CT/MRT), klinischen Endometriose-Checklisten sowie rund 300 Ordnern mit DICOM-Bilddaten.
Gemeinsam mit klinischen Experten wurde ein präzises Schema definiert, um Entitäten mittels moderner Large Language Models (LLMs wie ChatGPT und lokal betriebenen Modellen wie DeepSeek R1) automatisiert zu extrahieren. Das System identifiziert und strukturiert nun treffsicher:
Diagnosen & Symptome: Endometriose, Adenomyosis uteri, Dysmenorrhoe, Hypermenorrhoe.
Prozeduren: Laparoskopien, Hysterektomien, Sectio Caesarea.
Medikamente: Dienogest, Metrissa, Mifegyne.
Anatomische Lokalisationen: Uterus, Ovar, Septum rectovaginale.
Klinische Messwerte & Scores: Schmerz-Scores (z.B. NAS 8), Zystengrößen sowie die hochrelevante strukturierte #Enzian-Klassifikation für Endometriose.
Multimodale KI: Bild und Befund intelligent verknüpft
Ein technologisches Highlight des Projekts ist die Erforschung multimodaler Modelle (basierend auf Ansätzen wie ConVIRT / MedSigLip). Ziel ist das sogenannte CT/MRT-Befund Retrieval: Das KI-Modell lernt durch Contrastive Learning ein gemeinsames mathematisches Embedding (Vektorraum) für Bilder und Texte. Dadurch kann das System zu einem gegebenen radiologischen Bildschnitt (z. B. einem MRT des Beckens) präzise den passenden Befundtext zuordnen.
Durch sogenanntes Self-Supervised Learning (SSL) auf 3D-MRT-Bildern wird das Modell nach der vollständigen Anonymisierung der Bilddaten vortrainiert. Anschließend lässt es sich mittels Parameter-Efficient Fine-Tuning (PEFT)mit nur wenigen gelabelten Beispielen extrem dateneffizient auf spezifische Fragestellungen – wie die automatisierte Segmentierung des Uterus und von Endometrioseherden (unter Einbeziehung von Foundation Models wie dem Segment Anything Model (SAM)) – spezialisieren.
KABEG (www.kabeg.at) : Liefert die anonymisierte Datenbasis aus dem klinischen Alltag, um die Praxisrelevanz der Modelle zu garantieren.
JKU Linz (www.jku.ac.at): Das renommierte Institut für Wirtschaftsinformatik und Software Engineering steuert die algorithmische Spitzenforschung im Bereich Deep Learning, SSL auf MRT-Daten und multimodales Alignment bei.
Pro2Future (www.pro2future.at): Begleitet das Projekt als Kompetenzzentrum für kognitive Systeme und treibt die Transformation von akademischer Spitzenforschung in industrielle und medizinische Applikationen.
Four Panels (www.fourpanels.net): Agiert als MedTech-Plattformpartner, der das technologische Fundament für hochsicheren Datentransfer, strukturierte Wissensintegration und die spätere klinische Bereitstellung der KI-Module für die ärztliche Zusammenarbeit bietet.
Stiftung Endometriose Forschung / Dr. Jörg Keckstein: Ideengeber und unterstütztender Partner
Dieses Leuchtturmprojekt demonstriert eindrucksvoll, wie die Verknüpfung von moderner Linguistik-KI (NLP) und radiologischer Computer Vision (Computer-Sehen) neue Standards in der Erforschung komplexer Krankheitsbilder setzt – für eine schnellere Diagnose und bessere Lebensqualität betroffener Frauen.
Unverbundene Systeme führen zu Zeitverlust, unnötigem Aufwand und vermeidbaren Risiken im Behandlungsalltag. Erleben Sie, wie eine integrierte Plattform Abläufe optimiert, Teams entlastet und Ihre Einrichtung nachhaltig effizienter macht.
