Computer-Vision-Anwendungen in der Gefäßchirurgie: ein systematischer Review und kritische Bewertung

Intelligente Kameras für Gefäßärzte

Ärzte, die Gefäßerkrankungen behandeln, sind stark auf medizinische Bilder angewiesen, von Körper-Scans bis zu einfachen Fotos von Wunden. In den letzten Jahren hat sich die Computer Vision — Software, die Bilder „sieht“ und interpretiert — so schnell weiterentwickelt, dass sie mitunter mit medizinischen Expertinnen und Experten mithalten kann. Dieser Artikel betrachtet Hunderte von Studien, um zu untersuchen, wie diese bildlesenden Werkzeuge in der Gefäßchirurgie eingesetzt werden, wie gut sie funktionieren und was noch verbessert werden muss, bevor sie Ärzte sicher bei der Versorgung von Patienten unterstützen können.

Wachstumsfelder der Forschung

Die Autorinnen und Autoren durchsuchten große medizinische und technische Datenbanken und fanden 288 Studien, mit einer explosionsartigen Zunahme der Arbeiten nach 2017 und einer weiteren Welle in 2024–2025. Die meisten Projekte analysierten vorhandene Bilder anstatt Patienten prospektiv zu verfolgen. Die Forschung zielte überwiegend auf drei Probleme: Aufweitungen der Hauptschlagader (Aneurysmen und Dissektionen der Aorta), Verengungen der Halsarterien, die das Gehirn versorgen, und schwer heilende Fußgeschwüre, besonders bei Diabetes. Im Gegensatz dazu wurden Erkrankungen wie verschlossene Beingefäße und Venenerkrankungen — alltägliche Probleme in Gefäßkliniken — selten untersucht, obwohl sie Schmerzen, Behinderungen und Amputationen verursachen können.

Worauf die Computer tatsächlich schauen

In den Studien wurden den Computern viele Bildarten zugeführt. Bei Aortenerkrankungen wurden meist CT-Scans verwendet; bei Halsarterien dominierte der Ultraschall; bei Fußgeschwüren stützte man sich auf normale Fotos und wärmebildgebende Aufnahmen. Die gebräuchlichsten Werkzeuge waren moderne Deep-Learning-Netze, insbesondere U-Net und andere Faltungsnetzwerke, teils in Ensemble-Systemen kombiniert. Diese Systeme wurden zumeist aufgefordert, Strukturen zu umreißen (etwa den inneren Kanal und die Wand einer Arterie oder die Ränder einer Wunde), Größen zu messen oder Bilder in Kategorien wie „krank“ oder „gesund“ einzuordnen. Viele Modelle erzielten in den Veröffentlichungen beeindruckende Ergebnisse und kamen bei Aufgaben wie dem Messen von Aneurysma-Größen oder der Verfolgung der Fläche eines Fußgeschwürs teils nahe an die Leistungen von Fachärztinnen und -ärzten heran.

Wie verlässlich und fair sind diese Werkzeuge?

Trotz vielversprechender Ergebnisse fand der Review schwerwiegende Bedenken hinsichtlich Aufbau und Testung dieser Systeme. Nur eine Minderheit nutzte externe Daten aus anderen Krankenhäusern, was entscheidend ist, um zu zeigen, dass ein Modell in der Praxis funktioniert und nicht nur auf dem eigenen Datensatz. Viele Arbeiten übersprangen grundlegende Schutzmaßnahmen gegen Überanpassung, wie separate Validierungssets oder Kontrollen für Klassenungleichgewicht, und manche bewerteten die Leistung sogar an denselben Bildern, die zum Training verwendet wurden. Standardisierte Berichtsweisen waren uneinheitlich: Für Segmentierungsaufgaben berichtete etwa die Hälfte einen weithin akzeptierten Überlappungswert, und für binäre Vorhersagen nutzte weniger als jede fünfte Studie die robustere AUROC-Metrik. Sehr wenige Studien untersuchten, ob ihre Systeme über Patientengruppen oder Bildgebungsgeräte hinweg unterschiedlich funktionieren, wodurch Fragen zu Fairness und Allgemeingültigkeit offenbleiben.

Lücken in der Forschungsagenda

Das Muster der Forschung spiegelt nicht die alltäglichen Bedürfnisse der Patientinnen und Patienten wider. Der Großteil der Arbeit konzentriert sich auf Aorta, Halsarterien und diabetische Fußkrankheit — Bereiche mit reichhaltigen Bilddatensätzen und klaren Aufgabenstellungen. Dagegen bleibt die periphere arterielle Verschlusskrankheit in den Beinen, die häufig Menschen aus rassischen Minderheiten und solche mit geringerem Einkommen betrifft, untererforscht. Die Autorinnen und Autoren argumentieren, dass Computer Vision hier besonders nützlich sein könnte, etwa indem sie vorhersagt, welche Patienten sich verschlechtern werden, oder komplexe Bewertungssysteme automatisiert, die in vollen Kliniken derzeit zu langwierig sind. Eine weitere übersehene Chance ist Software, die Kontrastmittel in Scans nachahmen kann, ohne Patientinnen und Patienten — von denen viele Nierenprobleme haben — potenziell schädlichen Chemikalien auszusetzen; diese Technik wurde in nur wenigen Gefäßstudien erprobt.

Die Messlatte für künftige Arbeiten anheben

Zur Beurteilung der Qualität wendeten die Autorinnen und Autoren zwei etablierte Checklisten an, die Bias und Berichterstattung in Prognosestudien bewerten. Nur etwa jede fünfte neuere Studie wurde als geringes Bias-Risiko eingestuft, und die Gesamtbefolgung von Berichtsstandards blieb nur knapp über der Hälfte, wenn auch mit zeitlicher Verbesserung. Häufige Lücken waren unklare Beschreibungen dazu, wie „Ground-Truth“-Labels erstellt wurden, mangelnde Transparenz über Datenquellen, fehlende Angaben zur Wahl von Modelleinstellungen und nahezu keinerlei Einbindung von Patientinnen, Patienten oder öffentlichen Interessengruppen. Die Autorinnen und Autoren fordern Forscherinnen und Forscher auf, diese Richtlinien bereits in der Planungsphase zu befolgen, konsistente Leistungsmaße zu verwenden (Dice für Segmentierung, AUROC für binäre Entscheidungen), Daten und Code wenn möglich zu teilen und prospektive Studien aufzubauen, die prüfen, ob Computer-Vision-Tools tatsächlich die Patientenergebnisse verbessern.

Was das für Patienten und Kliniker bedeutet

Insgesamt zeichnet der Review das Bild leistungsfähiger bildanalytischer Werkzeuge, die sich noch auf dem frühen Weg vom Labor in die Klinik befinden. Computer Vision in der Gefäßchirurgie zeigt bereits, dass sie Gefäßprobleme und Wunden unter kontrollierten Bedingungen treffsicher erkennen, umreißen und messen kann. Solange Studien aber nicht die reale Praxis besser abbilden, vielfältige Patientengruppen einschließen und strengere Qualitätsstandards erfüllen, bleiben diese Systeme vorwiegend Forschungsobjekte statt vertrauenswürdige Partner in der Versorgung. Wenn Entwicklerinnen und Entwickler sowie Klinikteams diese Themen angehen, könnte Computer Vision zu einer routinemäßigen Hilfe werden, die Diagnosen beschleunigt, komplexe Entscheidungen unterstützt und den Zugang zu spezialisierten Bewertungen für Menschen mit Gefäßerkrankungen erweitert.

Zitation: Liyanage, A., Li, B., Yi, J. et al. Computer vision applications in vascular surgery: a systematic review and critical appraisal. npj Digit. Med. 9, 260 (2026). https://doi.org/10.1038/s41746-026-02427-6

Schlüsselwörter: Computer-Vision in der Gefäßchirurgie, KI in der medizinischen Bildgebung, Aorten- und Karotis-Erkrankungen, diabetische Fußgeschwüre, periphere arterielle Verschlusskrankheit