Generative KI und Sprachmodelle

UKB-GPT

UKB-GPT ist unser Hauptprojekt. Die Plattform ist eine lokale Alternative zu externen KI-Diensten wie ChatGPT oder Claude. Sie läuft auf Servern des UKB und nutzt Sprachmodelle mit frei verfügbaren Gewichten. Mehr als 1.000 registrierte Nutzende können über den Browser auf Chatfunktionen zugreifen. Interne Programmierschnittstellen geben Forschungsprojekten und klinikinternen Anwendungen Zugriff auf Sprachmodelle, Embeddings, Spracherkennung und Sprachsynthese. Im Regelbetrieb blockiert die technische Architektur Verbindungen zum öffentlichen Internet. Getrennte Netze, eine hostseitige Firewall und gehärtete Zugänge begrenzen die Kommunikation zwischen den Diensten. Verbindungen zu internen Systemen werden nur für festgelegte Ziele freigeschaltet. Die Architektur und ihr Quellcode sind öffentlich dokumentiert. Andere Kliniken können die Sicherheitsannahmen prüfen und das System an die eigene Infrastruktur anpassen.

Klinische Sprache als Forschungsgegenstand

Radiologische Befunde enthalten viele Informationen, liegen aber meist als Freitext vor. Wir entwickeln Modelle, die Befunde strukturieren, definierte Angaben extrahieren und mögliche Fehler markieren. Weitere Studien untersuchen verständliche Befundfassungen, Übersetzung, leitlinienbezogene Fragen und die Auswahl von Untersuchungsprotokollen. Neben der Trefferquote prüfen wir, ob kleinere lokale Modelle für eine konkrete Aufgabe genügen und wie sich ihre Ausgaben zuverlässig begrenzen lassen.

KI-gestützte ICD-10-Kodierung

Unsere ICD-10-Anwendung analysiert medizinische Texte und schlägt passende ICD-10-GM-Codes vor. Das System kombiniert ein lokales Sprachmodell mit einer Wissensdatenbank der gültigen Codes. Weitere Modellschritte prüfen die Auswahl und bestimmen eine mögliche Hauptdiagnose. Die Anwendung beschränkt ihre Ausgabe auf Einträge der hinterlegten Ontologie. Die Vorschläge bleiben für die fachliche Prüfung durch den Menschen sichtbar.

Sichere agentische KI

Der nächste Forschungsschwerpunkt sind KI-Assistenten, die längere Aufträge bearbeiten, freigegebene Werkzeuge nutzen und Entwürfe vorbereiten können. Ein möglicher Auftrag ist die Vorbereitung eines Arztbriefs anhand klar benannter interner Quellen. Solche Agenten brauchen mehr als ein gutes Sprachmodell. Sie benötigen abgeschottete Arbeitsumgebungen, eng begrenzte Zugriffsrechte und eine belegbare Zuordnung ihrer Ergebnisse zu den verwendeten Informationen. Wir untersuchen diese Systeme zunächst mit synthetischen Fällen und eigensaufgesetzten Testsystemen. Dabei prüfen wir die technische Abschottung, den kontrollierten Zugriff auf klinische Software und den Nutzen für radiologische Arbeitsabläufe. Erst danach sind kontrollierte Studien mit realitätsnahen Aufgaben vorgesehen. Die ärztliche Entscheidung bleibt beim Menschen.

• Nowak S, Laß JF, Mesropyan N, et al. Secure On-Premise Deployment of Open-Weights Large Language Models in Radiology: An Isolation-First Architecture with Prospective Pilot Evaluation. arXiv. 2026.
• Nowak S, Wulff B, Layer YC, et al. Privacy-ensuring open-weights large language models are competitive with closed-weights GPT-4o in extracting chest radiography findings from free-text reports. Radiology. 2025;314:e240895.
• Nowak S, Biesner D, Layer YC, et al. Transformer-based structuring of free-text radiology report databases. European Radiology. 2023;33:4228–4236.
• Nowak S, Schneider H, Layer YC, et al. Development of image-based decision support systems utilizing information extracted from radiological free-text report databases with text-based transformers. European Radiology. 2024;34:2895–2904.
• Nowak S, Sprinkart AM. Large language models from OpenAI, Google, Meta, X and Co.: The role of "closed" and "open" models in radiology. Die Radiologie. 2024;64:779–786.
• Bahaaeldin M, Nowak S, Seidel O, et al. Influence of structured output constraints on GPT-5-Thinking, Gemini 2.5 Pro, and open-weight LLMs for radiology protocol selection. European Radiology Experimental. 2026;10:42.
• Salam B, Stüwe C, Nowak S, et al. Large language models for error detection in radiology reports: a comparative analysis between closed-source and privacy-compliant open-source models. European Radiology. 2025;35:4549–4557.
• Salam B, Kravchenko D, Nowak S, et al. Generative Pre-trained Transformer 4 makes cardiovascular magnetic resonance reports easy to understand. Journal of Cardiovascular Magnetic Resonance. 2024;26:101035.
• Terzis R, Salam B, Nowak S, et al. Evaluation of GPT-4o for multilingual translation of radiology reports across imaging modalities. European Journal of Radiology. 2025;191:112341.
• Proff A, Sieber J, Bahaaeldin M, et al. GPT-5, Gemini-2.5-Pro, and Qwen3 for answering clinical questions regarding ACR RADS guidelines. AJR American Journal of Roentgenology. 2025.
• Sieber J, Salam B, Nowak S, et al. Utilizing GPT-4o with context-based approaches for improved query of ACR RADS guidelines. European Journal of Radiology. 2026;199:112807.
• Proff AK, Salam B, Hayawi M, et al. Simplifying radiology reports with large language models: privacy-compliant open- versus closed-weight models. European Radiology. 2026;36:6097–6106.