Von Bildern zu Entscheidungen: Eine elfmonatige Transformationsreise für ein chinesisches KI-Team im medizinischen Bereich

Ende 2025 wurde ein Artikel auf der Preprint-Plattform arXiv veröffentlicht, der in der Fachwelt der kardiovaskulären Interventionen großes Interesse weckte.

Die Studie berichtete, dass ein domänenspezifisches medizinisches KI-System namens CA-GPT – entwickelt zur Unterstützung der Entscheidungsfindung bei perkutanen Koronarinterventionen (PCI) – ein allgemeines, großes Sprachmodell (OpenAIs ChatGPT-5) in zehn wichtigen klinischen Indikatoren übertraf. In einigen Szenarien übertraf seine Leistung sogar die von Assistenzärzten mit ein bis fünf Jahren Berufserfahrung.

Für das Forschungs- und Entwicklungsteam hinter dem System war die Veröffentlichung des Artikels jedoch nicht das Ziel.

Was wirklich zählte, war der lange, ungewisse und manchmal unbequeme Weg, der dorthin führte.

Dies ist die Geschichte, wie ein kleines Team für medizinische KI 11 Monate lang die größte Herausforderung in der klinischen KI bewältigte: die Distanz zwischen dem Erkennen von Informationen und dem Treffen von Entscheidungen.

Von OCT-Daten zu klinischen Entscheidungen

Die optische Kohärenztomographie (OCT) wird oft als „drittes Auge“ interventioneller Kardiologen bezeichnet. Eine dünne optische Faser wird in die Koronararterie eingeführt und erzeugt hochauflösende Bilder, die die Plaquemorphologie und die Gefäßstruktur in außergewöhnlicher Detailgenauigkeit darstellen.

Seit über einem Jahrzehnt wird KI zur Analyse von OCT-Bildern im Vivolight OCT-System eingesetzt, beispielsweise zur Erkennung instabiler Plaques, zur Beurteilung verkalkter Läsionen und zur Funktionsanalyse. Viele dieser Systeme sind bereits in klinischen Arbeitsabläufen implementiert.

Doch etwas Grundlegendes fehlte. Ärzte brauchen nicht nur mehr Messwerte. Sie brauchen klare Entscheidungen.

Sollte ein Stent implantiert werden? Welcher Durchmesser? Welche Länge? Ist diese Läsion sicher zu behandeln, oder sollten wir vom Eingriff Abstand nehmen?

Zwischen Rohbilddaten und einem realen ArztHier liegt eine entscheidende Lücke. Egal wie präzise ein Algorithmus ist, wenn er diese Lücke nicht schließen kann, bleibt er ein Werkzeug – kein klinischer Partner.

Diese Lücke wurde zur Mission.

Die letzte Meile ist immer die schwierigste

Anfang 2024 hatte das Vivolight-Algorithmus-Team eine klare Vision: jahrelanges Expertenwissen in ein System umzuwandeln, das wie ein erfahrener Arzt argumentieren kann – konsequent, transparent und auch unter Druck.

Sie versuchten es mit verschiedenen Ansätzen: universellen großen Modellen, API-Integrationen und hybriden Pipelines. Der Fortschritt war langsam. Jeder Versuch schien nah dran – aber nie ganz ausreichend.

Wie ein Teammitglied es ausdrückte:
——„Man spürte, dass man der Antwort näherkam. Aber jedes Mal war man noch einen Schritt davon entfernt.“

Ein Wendepunkt: Schluss mit dem Training größerer Modelle.

Der Durchbruch gelang Anfang 2025 mit der Veröffentlichung von DeepSeek als Open Source – nicht durch das Trainieren eines größeren Modells, sondern durch das Stellen einer anderen Frage.

Anstatt eine weitere allgemeine KI zu entwickeln, entschied sich das Team dafür, sein System auf dem zu verankern, worauf Kliniker bereits vertrauen: Expertenleitlinien, Branchenkonsens, strukturiertes Denken und explizite Entscheidungslogik.

Die Idee war einfach, in der Praxis jedoch radikal:

●Spezielle Sehmodelle sollen als „Augen“ fungieren.

●Klinische Leitlinien und Expertenkonsens sollen den „Wissenspool“ bilden.

●Ein Logiksystem verbindet diese Elemente zu einem transparenten Entscheidungspfad.

Die harte Tour lernen – von Ärzten

Die ersten Demos waren ernüchternd. Die Ärzte fragten nicht, wie die KI funktionierte. Weder Eingabeaufforderungen noch Architekturen interessierten sie.

Sie stellten Fragen wie:

●„Welchen Stent würden Sie wählen?“

●„Ist diese Läsion für einen Eingriff geeignet?“

●„Warum dieser Durchmesser und nicht jener?“

Als das System mit vagen Erklärungen oder allgemeinen Formulierungen antwortete, fiel das Feedback unmissverständlich aus: „Das ist keine KI. Das ist nur Rauschen.“ Dieser Kommentar von Dr. Zhu (CEO von Vivolight) traf zwar, brachte aber alles auf den Punkt. Wahre klinische Kompetenz bedeutet nicht, klug zu klingen. Sie bedeutet, präzise, ​​entschlossen und verantwortungsbewusst zu handeln.

Das Team baute erneut von vorne auf – diesmal modular. Entscheidungslogik, Denkprozesse und Ergebnisse wurden reduziert, getestet und in kürzester Zeit neu entwickelt. Die Tage verschwammen in die Nächte. Eine Iteration folgte der anderen.

Irgendwann änderte sich etwas.

Dr. Zhu betrachtete das System und sagte:
——“Okay. Das fühlt sich tatsächlich nach KI an..”

Die klinische Realität ist der einzig wahre Maßstab

Im Mai 2025 wurde die erste Version des KI-OCT-Systems ausgeliefert – weniger als drei Monate nach Projektbeginn. Im selben Monat wurde die Innovation auf der OCC 2025 präsentiert. Zur Freude aller stach sie unter 48 Einreichungen hervor und wurde als eines von nur fünf herausragenden Projekten ausgewählt. Doch Anerkennung war nicht das Ziel, sondern die Bestätigung.

Die eigentliche Bewährungsprobe kam in klinischen Studien. Das System wurde in mehreren Krankenhäusern, wie beispielsweise dem Zweiten Universitätsklinikum der Luftwaffenmedizinischen Universität (Tangdu-Krankenhaus), im Pilotbetrieb eingesetzt., Das Beijing Anzhen Hospital der Capital Medical University, das Fuwai Hospital der Chinesischen Akademie der Medizinischen Wissenschaften, das Zhongshan Hospital der Fudan-Universität und das Erste Universitätsklinikum der Xi'an Jiaotong-Universität unterstützten PCI-Eingriffe im klinischen Alltag. Das Feedback war direkt, detailliert und oft schonungslos.

Doch genau dieses Feedback erwies sich als größte Stärke des Systems. Ärzte hinterfragten Annahmen, korrigierten Logik und forderten die KI auf, klarer, präziser und konsistenter zu arbeiten. Schritt für Schritt reifte das System – nicht isoliert, sondern im Dialog mit der klinischen Realität.