Förderprojekte

Förderbeginn 01.07.2026

Über die Erkennung hinaus denken: Zuverlässige und verallgemeinerbare Generierung radiologischer Berichte mit Testzeit-Denken

Prof. Dr. Julia Schnabel
Technische Universität München
Computational Imaging and AI in Medicine (CompAI)

Prof. Dr. Akshay Chaudhari
Stanford University
Stanford Center for Artificial Intelligence in Medicine and Imaging (AIMI)

Jüngste Fortschritte im Bereich der KI zeigen, dass Vision-Language-Modelle (VLMs) die Qualität von Entscheidungen verbessern können, indem sie während der Inferenz vor der Antwort schlussfolgern, Zwischenschritte verfeinern und Ausgaben überprüfen, bevor sie eine endgültige Antwort erzeugen. Diese wachsende Evidenz legt nahe, dass das Nachdenken der Modelle zur Testzeit während der Inferenz die Ausgabequalität ohne erneutes Training verbessert, was sie besonders vielversprechend für die Generierung radiologischer Befunde macht. Dabei müssen diese Modelle Befunde mit Bildnachweisen in Einklang bringen, gegenüber unbekannten Auffälligkeiten robust bleiben und klinisch schlüssige Berichte erstellen. Dieses Projekt zwischen dem CompAI-Labor der TU München und dem MIMI-Labor der Stanford University zielt darauf ab, eine Testzeit-Nachdenkmethode für die Generierung radiologischer Befunde zu entwickeln, die die Inferenz als strukturierte Erstellung, Verfeinerung und Verifikation von Befunden behandelt, anstatt als Generierung in einem einzigen Durchlauf. Durch die Nutzung von Testzeit-Nachdenken innerhalb fester und begrenzter Rechenressourcen soll dieses Projekt die Generierung radiologischer Befunde zuverlässiger und klinisch vertrauenswürdiger machen, ohne die Kosten eines umfangreichen erneuten Trainings oder einer Skalierung des Modells.