MD.ai

MD.ai dient als Radiologie-Annotationstool und als Betrachter auf denselben Daten. Die Plattform behandelt DICOM von Grund auf und nicht als Importformat am Rand. Studien kommen per Direkt-Upload, über einen Cloud-Speicher bei Google Cloud, Amazon S3 oder Azure oder per DICOM C-STORE herein. JPEG, PNG, TIFF und Videos lassen sich über eine patientenzentrierte Ordnerstruktur ergänzen, was hilft, wenn eine Studie Bilder und klinische Clips mischt.

Der Betrachter hat eine FDA-510(k)-Zulassung. Klinische Auswertung, Review und Bericht laufen damit in einem zugelassenen Werkzeug und nicht in einem Forschungsbetrachter mit Haftungshinweis. Er bietet Zoom, Verschieben und Fensterung, Hängungsprotokolle, multiplanare Rekonstruktion und Messwerkzeuge. Annotationen liegen im selben Arbeitsbereich wie das Bild, Kennzeichnen und Lesen passen also auf einen Bildschirm.

Sie setzen Ihr eigenes Modell ein und starten eine verteilte Inferenz auf dem Datensatz. Das Ergebnis kommt als Vorannotation, die der Annotator übernimmt, anpasst oder verwirft. Jedes Projekt kann eigene Modelle und Einstellungen haben, und die Plattform hält fest, wie das Modell gegenüber menschlichen Labels abschneidet. Diese Rückmeldung lassen die meisten Annotationstools weg.

Föderierte Annotation lässt mehrere Einrichtungen gemeinsam ein Modell bewerten, ohne Patientendaten zusammenzuführen. Jeder Standort annotiert oder rechnet lokal, nur die Ergebnisse wandern. Für einen Anbieter, der vor der Zulassung externe Validierung braucht, ist das oft der einzige Weg zu Belegen aus mehreren Kliniken, ohne monatelange Verträge zur Datenweitergabe.

Die Anonymisierung von Gesundheitsdaten beginnt mit der eingebauten PHI-Erkennung, die Bilder und Metadaten nach identifizierenden Angaben durchsucht und sie vor dem Export entfernt. Die Anonymisierung auf Pixelebene kümmert sich um eingebranntes Textmaterial im Bild selbst. Dieser Schritt entscheidet, ob ein Datensatz eine Klinik überhaupt verlassen darf, und innerhalb der Plattform spart er ein separates Compliance-Projekt.

Als Radiologie-Berichtssoftware setzt Reporting ein Sprachmodell auf die Aufgaben an, die den Radiologentag füllen: passende Vorlage wählen, diktierte Befunde den richtigen Feldern zuordnen, den Gesamteindruck formulieren, Korrektur lesen und beim Unterschreiben Abrechnungscodes erzeugen. Sie können im KI-geführten Modus arbeiten oder beim klassischen Diktat bleiben und die Hilfe nur abrufen, wenn Sie sie wollen.

Berichte können die Logik von Leitlinien wie BI-RADS, LI-RADS oder TI-RADS nutzen, eigene Leitlinien sind ebenfalls möglich. Das System vergleicht die neue Untersuchung außerdem mit früheren Berichten und markiert, was sich geändert hat. Beide Funktionen nehmen das Hin und Her heraus, das einen Bericht länger dauern lässt als das Lesen selbst.

Ein Kommandozeilenwerkzeug und eine Python-Bibliothek erlauben es, Projekte anzulegen, Daten hochzuladen, Annotationen abzurufen und Nutzer per Code zu verwalten. Reporting hängt über HL7 und DICOM am EHR, HIS und RIS und lässt sich per iframe mit Token-Zugang in eine andere Anwendung einbetten. Der Bericht öffnet sich dann im Arbeitsablauf der Klinik.