CURIA erklärt: Das Multi‑Modale Foundation‑Model für Radiologie

Radiologie erzeugt jeden Tag ungeheure Bildmengen – perfekte Trainingsfelder für KI. CURIA setzt genau hier an: ein Foundation‑Model, das aus Routinebildern ohne manuelle Labels lernt und sein Wissen breit überträgt. Statt vieler Insellösungen verspricht CURIA einen universellen Grundbaustein für Befundung, Triage und Entscheidungs‑Support. In diesem Artikel schauen wir hinter die Kulissen: Wie lernt CURIA? Wo überzeugt es – und wo braucht es noch Beweise?

Radiologische KI litt lange unter dem „one‑task, one‑model“-Prinzip. Für jede Aufgabe musste ein eigenes Modell trainiert werden – aufwendig, fehleranfällig und schwer zu warten. Foundation‑Modelle brechen diesen Engpass auf. Sie lernen allgemeine, semantische Repräsentationen aus vielen Fällen und werden dann gezielt für klinische Aufgaben angepasst. Für Sie bedeutet das: mehr Wiederverwendung, weniger Datenhunger pro Aufgabe und konsistentere Qualität über Workflows hinweg.

CURIA steht exemplarisch für diesen Ansatz. Das Team trainierte das Modell auf sehr großen Routine‑Korpora aus CT‑ und MRT‑Untersuchungen und berichtet eine starke Übertragbarkeit auf neue Aufgaben. Das Vortraining nutzte laut Autoren etwa 150.000 Untersuchungen (Stand: 2025), was rund 130 TB Rohdaten und etwa 228 Mio. DICOM‑Slices entspricht (Quelle). Solche Größenordnungen sind in der Radiologie selten – und eröffnen die Chance, anatomische und pathologische Muster breiter abzubilden.

Multi‑modal bedeutet hier: mehrere Bildmodalitäten, vor allem CT und MRT. Das Modell selbst ist bildzentriert, nutzt aber Trainingssignale, die ohne manuelle Labels auskommen. Die Autoren setzen auf selbstüberwachtes Lernen (etwa DINO‑ähnliche Ziele) und kontrastive Verfahren, um robuste Embeddings über Modalitäten hinweg zu formen (Stand: 2025) (Quelle). Ergebnis sind dichte Feature‑Vektoren, die sich für Klassifikation, Segmentierung, Registrierung oder Prognose anpassen lassen.

Warum ist das relevant? Weil die Nachfrage nach skalierbaren KI‑Assistenten wächst, während gelabelte Datensätze knapp sind. CURIA zeigt, wie man aus unlabeled Routine lernt und das Wissen als „Startkapital“ in Klinik‑Use‑Cases einbringt. Das Ziel ist nicht, Radiolog:innen zu ersetzen, sondern sie in repetitiven, zeitkritischen Aufgaben zu entlasten und strukturiertes Arbeiten zu fördern.

Im Kern von CURIA arbeiten Vision‑Transformer‑Backbones, die 2D‑Slices verarbeiten und über Aggregation zu Fall‑Entscheidungen kommen. Beschrieben werden Varianten im ViT‑B‑ und ViT‑L‑Maßstab mit Größenordnungen von etwa 86 Mio. bzw. 300 Mio. Parametern (Stand: 2025) (Quelle). Wichtig ist die Pretext‑Phase: Das Modell lernt, ähnliche Inhalte zu erkennen, ohne dass Menschen jedes Bild labeln müssen.

Das Vortraining basiert auf alltäglicher Klinik‑Routine, nicht auf idealisierten Forschungsdatensätzen. Für das große Modell berichten die Autor:innen Trainingsgrößenordnungen bis zu rund 200 Mio. Bildern; die kleinere Variante nutzte etwa 20 Mio. (Stand: 2025) (Quelle). Diese Masse hilft, Bildartefakte, Protokoll‑Unterschiede und reale Varianz kennenzulernen – ein Vorteil für die spätere Robustheit.

Beim Transfer in die Klinik zählt nicht nur Genauigkeit. Calibration, Fairness und Daten‑Drift entscheiden, ob ein Modell alltagstauglich ist. CURIA adressiert das mit breiter Evaluation über viele Aufgaben. Die Autoren stellen einen 19‑Task‑Benchmark (CuriaBench) vor, der Anatomie‑Erkennung, Onkologie, Notfälle, Segmentierung, Registrierung und Prognose umfasst (Stand: 2025) (Quelle). So wird messbar, wie gut die gelernten Features in unterschiedliche Richtungen „abzweigen“.

Spannend ist die Generalisierung zwischen Modalitäten. Im Bericht fällt der Leistungsabfall von CT auf MRT vergleichsweise moderat aus – etwa 9,17 Prozentpunkte, während Konkurrenzmodelle deutlich stärkere Einbrüche zeigen (Stand: 2025) (Quelle). Für Kliniken heißt das: bessere Chancen, Modelle über Abteilungen hinweg zu nutzen, ohne jeden Anwendungsfall neu zu erfinden. Genau dort zahlt sich ein multi‑modales Foundation‑Model aus.

Was leistet CURIA in der Praxis? Beginnen wir mit Aufgaben, die Ihren Alltag berühren. Für die Organklassifikation in CT berichten die Autor:innen für die große Variante (Curia‑L) eine Genauigkeit von 98,40 % (Stand: 2025) (Quelle). In der MRT‑Organklassifikation werden 89,11 % ausgewiesen (Stand: 2025) (Quelle). Das zeigt, dass die Basiseigenschaften anatomischer Erkennung solide gelernt sind.

Bei pathologischen Befunden zählt Sensitivität: Für intrakranielle Blutungen im Kopf‑CT meldet Curia‑L eine AUROC von 93,54 (Stand: 2025) (Quelle). Für die Malignitäts‑Einschätzung von Lungenknoten werden AUROC‑Werte bis 94,98 (Curia‑B) genannt (Stand: 2025) (Quelle). Solche Kennzahlen deuten auf Triage‑Potential, etwa zur Priorisierung in vollen Dienstplänen.

Auch jenseits der Klassifikation liefert CURIA Ansatzpunkte. Für „prompted segmentation“ abdominaler Organe berichten die Autor:innen Dice‑Scores um 91,49 (Bounding‑Box‑Prompt) und 87,49 (Point‑Prompt), Stand: 2025 (Quelle). In der Registrierung werden für Abdomen‑Datensätze Dice‑Werte um 85,1 % genannt (Stand: 2025) (Quelle). Wichtig: Diese Zahlen stammen aus Forschungs‑Benchmarks. Für den Klinik‑Alltag zählen zusätzlich Zeitgewinn, Nachbearbeitung und Interaktion mit PACS/RIS.

Wie schlägt sich CURIA gegen Spezialmodelle? Die berichteten Vergleiche fallen oft zugunsten des Foundation‑Ansatzes aus, besonders in Few‑Shot‑Szenarien. Die Autor:innen beschreiben, dass CURIA bereits mit wenigen Dutzend Trainingsbeispielen nahe an die Maximalleistung herankommt (Stand: 2025) (Quelle). Für Kliniken mit begrenzten Label‑Ressourcen kann das den Unterschied machen – etwa beim schnellen Anlernen neuer Organe oder Protokolle.

So stark die Ergebnisse wirken: Für die klinische Einführung braucht es harte Evidenz. Die Trainingsdaten stammen laut Bericht im Kern aus einer einzelnen Institution, trotz sehr großer Menge (Stand: 2025) (Quelle). Das erhöht das Risiko institutioneller Bias – von Scanner‑Vendors bis Patientendemografie. Deshalb sollten Sie externe Validierung über mehrere Standorte, Hersteller und Protokolle priorisieren.

Regulatorisch führt in Europa kein Weg an IVDR vorbei. Sie benötigen dokumentierte Data‑Lineage, Leistungsnachweise in der Zielpopulation, Risk‑Management, sowie Pläne für Post‑Market‑Surveillance. CURIA liefert eine gute Ausgangsbasis, ersetzt aber keine klinische Studie. Planen Sie prospektive Evaluierungen mit klarer Fragestellung, etwa Triage bei Kopf‑CT‑Blutung oder Assistenz in der Lungenknoten‑Abklärung – und messen Sie neben AUROC auch Calibration, NPV/PPV bei Prävalenz und Zeitgewinn.

Technisch empfiehlt sich ein schrittweiser Rollout: Sandbox‑Test im Forschungspacs, dann limited release im Bereitschaftsdienst, erst danach breite Nutzung. Etablieren Sie Monitoring für Daten‑Drift und Fehlermuster. Sammeln Sie Edge‑Cases systematisch, lassen Sie sie von Senior‑Radiolog:innen reviewen und füttern Sie die Erkenntnisse in ein kontrolliertes Re‑Training zurück. So wird aus einem starken Labor‑Modell ein verlässlicher Klinik‑Assistent.

Und die Governance? Legen Sie klare Verantwortlichkeiten fest: Medical Owner, Data Steward, ML‑Ops. Dokumentieren Sie, wer Prompts, Thresholds und Updates freigibt. Ergänzen Sie Consent‑ und Datenschutz‑Prozesse um Hinweise zur algorithmischen Unterstützung. So stellen Sie sicher, dass der Einsatz von CURIA patientenzentriert, sicher und auditierbar bleibt. Als SEO‑Hinweis platzieren wir das Haupt‑Keyword ein zweites Mal: CURIA Radiologie,multi-modales Foundation Model,selbstüberwachtes Lernen medizinischer Bilder,Transferlernen klinische Aufgaben,Evaluation KI-Befundung.

CURIA zeigt, wie Foundation‑Modelle die Radiologie bündeln können: ein vortrainiertes, vielseitiges Feature‑Fundament, das Aufgaben von der Anatomie‑Erkennung bis zur Triage bedient. Die berichteten Ergebnisse sind stark, doch für die Versorgung zählen externe Validierung, Prospektiv‑Studien und saubere Governance. Wenn Kliniken diese Hausaufgaben erledigen, kann CURIA von der Benchmark‑Spitze in den Befundraum wechseln – pragmatisch, sicher und messbar wirksam.