Synonyme: Domänenverschiebung, Scanner-Domain-Shift, Datenverschiebung, KI-Domain-Shift
Domain Shift, auf Deutsch auch Domänenverschiebung, beschreibt ein Problem beim Einsatz von Künstlicher Intelligenz. Gemeint ist, dass ein KI-System mit neuen Daten schlechter zurechtkommt, wenn diese anders aussehen als die Daten, mit denen es ursprünglich trainiert wurde.
In der Radiologie ist das besonders relevant, weil medizinische Bilder nicht überall gleich entstehen. Eine MRT-Untersuchung kann je nach Gerät, Hersteller, Magnetfeldstärke, Sequenz und Bildgebungsprotokoll unterschiedlich aussehen. Für Menschen sind viele dieser Unterschiede gut einzuordnen. Für eine KI können sie jedoch zu Fehlinterpretationen führen.
KI-Systeme lernen aus Beispieldaten. Wenn ein System vor allem mit Bildern aus bestimmten Kliniken, Geräten oder Untersuchungsprotokollen trainiert wurde, kann es bei abweichenden Bilddaten unzuverlässiger werden. Das bedeutet nicht, dass jedes Ergebnis falsch ist. Es bedeutet aber, dass die Leistung eines KI-Systems nicht automatisch auf jede Praxis, jedes Krankenhaus und jede Untersuchung übertragbar ist.
Gerade bei MRT-Untersuchungen können kleine technische Unterschiede eine Rolle spielen. Dazu gehören zum Beispiel die Bildauflösung, die Schichtdicke, die Kontrastierung, Bewegungsartefakte oder die Reihenfolge der Sequenzen. Ein Domain Shift kann dazu führen, dass eine KI Auffälligkeiten übersieht oder harmlose Strukturen falsch bewertet.
Ein KI-System wurde zum Beispiel mit MRT-Bildern eines bestimmten Gerätetyps trainiert. Wird es später mit Bildern eines anderen Herstellers oder mit einem anderen Untersuchungsprotokoll eingesetzt, können die Bilder für das System ungewohnt aussehen. Obwohl die Untersuchung medizinisch korrekt durchgeführt wurde, kann die KI weniger zuverlässig arbeiten.
Domain Shift ist ein Grund, warum frei zugängliche KI-Tools nicht verlässlich zur eigenständigen Auswertung medizinischer Bilder genutzt werden sollten. Die technische Qualität und Vergleichbarkeit der Bilddaten muss fachkundig beurteilt werden. Außerdem muss geprüft werden, ob die Untersuchung überhaupt zur medizinischen Fragestellung passt.
Radiologinnen und Radiologen berücksichtigen solche Unterschiede bei der Befundung. Sie erkennen, wenn Bildqualität, Sequenzen oder Protokolle die Aussagekraft einer Untersuchung einschränken, und können dies im Befund einordnen.
Bei medizinischer KI ist eine sorgfältige Prüfung wichtig. Systeme müssen für die jeweilige Fragestellung, die verwendeten Bilddaten und den klinischen Einsatzbereich validiert sein. In der Praxis bedeutet das: KI sollte Radiologinnen und Radiologen unterstützen, aber nicht ohne ärztliche Kontrolle über Diagnosen entscheiden.
Medizinisch geprüft von Dr. med. D. Schroth, Facharzt für Radiologie · Zuletzt aktualisiert am 7. Juni 2026