Skip to content
ByteWire
  • Autonomes Fahren & Mobilität
  • Cybersicherheit
  • Datenschutz & Datenpolitik
  • Energie & Nachhaltigkeit
  • Enterprise-KI & Produktivität
  • Geopolitik & Tech-Souveränität
  • Gesundheit & Life Sciences
  • Investitionen & Finanzierung
  • KI & Arbeitswelt
  • KI-Agenten & Automatisierung
  • KI-Infrastruktur & Hardware
  • KI-Modelle & Forschung
  • KI-Regulierung & Recht
  • KI-Unternehmen & Strategie
  • Raumfahrt & Weltraum
  • Robotik & Physische KI
  • Sicherheit & Verteidigung

ModernBERT übertrifft klassisches BERT bei der Auswertung radiologischer Befundberichte

05.04.2026
Radiologischer CT-Scan mit KI-Analyse auf Bildschirm

Japanische Forscher zeigen: Die neue ModernBERT-Architektur schlägt klassisches BERT bei der automatisierten Klassifikation radiologischer Befundberichte – effizienter, schneller und auch in nicht-englischen Fachsprachen. Eine Studie mit direkter Relevanz für Gesundheits-IT-Entscheider weltweit.

ModernBERT übertrifft klassisches BERT bei der Auswertung radiologischer Befundberichte

Hintergrund: Automatisierte Befundklassifikation im Klinikbetrieb

In modernen Krankenhäusern fallen täglich tausende radiologische Berichte an. Die manuelle Kategorisierung dieser Dokumente – etwa zur Qualitätssicherung, Forschungsauswertung oder strukturierten Weiterverarbeitung – ist personalintensiv und fehleranfällig. Natural Language Processing (NLP)-Modelle auf Basis von BERT (Bidirectional Encoder Representations from Transformers) werden seit Jahren eingesetzt, um diese Texte automatisch zu analysieren und zu klassifizieren.

Das ursprüngliche BERT-Modell, 2018 von Google eingeführt, hat in der medizinischen Textverarbeitung breite Anwendung gefunden. Dennoch weist es strukturelle Einschränkungen auf – insbesondere bei der Verarbeitung längerer Texte sowie beim Rechenaufwand im Verhältnis zur erzielbaren Genauigkeit.

ModernBERT: Architektonische Weiterentwicklung mit praktischen Auswirkungen

ModernBERT, eine überarbeitete Encoder-Architektur, adressiert mehrere dieser Schwachstellen. Das Modell nutzt unter anderem Rotary Positional Embeddings (RoPE) und alternating Attention-Mechanismen, die es erlauben, längere Kontextfenster effizienter zu verarbeiten. Zudem wurde das Training auf einem deutlich größeren und vielfältigeren Datensatz durchgeführt.

Das Forscherteam um Yosuke Yamagishi und Kollegen vom University of Tokyo Hospital testete beide Modellvarianten an japanischsprachigen Thorax-CT-Berichten. Die Aufgabe bestand darin, klinisch relevante Befunde – etwa Lungenknoten, Pleuraergüsse oder Infiltrate – automatisch zu erkennen und zu klassifizieren.

ModernBERT erzielte bei vergleichbarer oder überlegener Klassifikationsgenauigkeit einen geringeren Rechenaufwand – mit kürzeren Inferenzzeiten und potenziell niedrigeren Infrastrukturkosten.

Das bedeutet in der Praxis: schnellere Verarbeitung und effizienterer Betrieb solcher Systeme im klinischen Alltag.

Sprachliche Spezifik als methodische Herausforderung

Die Studie ist auch deshalb bemerkenswert, weil sie in einem nicht-englischsprachigen, fachsprachlich hochspezialisierten Kontext durchgeführt wurde. Japanische Radiologieberichte folgen eigenen terminologischen Konventionen und syntaktischen Strukturen. Dass ModernBERT auch unter diesen Bedingungen belastbare Ergebnisse liefert, stärkt die Annahme, dass die architektonischen Verbesserungen sprachunabhängig wirken.

Für multilingual aufgestellte Gesundheitssysteme ist das ein relevanter Befund – Deutschland zählt mit seinen DRG-codierten Befundstrukturen, regionalen Dialekten in Sprachdiktaten und mehrsprachigen Patientenpopulationen zu den komplexeren Anwendungsumgebungen.

Einordnung für deutsche Gesundheits-IT-Entscheider

Für Krankenhäuser und Klinikverbünde in Deutschland, die NLP-gestützte Dokumentationstools evaluieren oder bereits im Einsatz haben, liefert die Studie ein klares Signal:

Die Wahl der Basisarchitektur hat messbare Auswirkungen auf Effizienz und Betriebskosten – und sollte bei jeder Beschaffungsentscheidung explizit geprüft werden.

Wer klinische Sprachmodelle – etwa für die automatisierte ICD-Kodierung, Befundstrukturierung oder Qualitätssicherung – plant oder beschafft, sollte ModernBERT-basierte Ansätze in die technische Evaluation einbeziehen. Anbieter medizinischer NLP-Lösungen, die noch auf ältere BERT-Varianten setzen, stehen unter zunehmendem Rechtfertigungsdruck, sofern neuere Architekturen bei gleichem oder geringerem Ressourceneinsatz bessere Ergebnisse liefern.


Quelle: Scientific Reports – Nature

Dieser Artikel wurde von einer KI auf Basis von Berichten internationaler Medien zusammengefasst und auf Deutsch verfasst. Er wurde nicht von einer menschlichen Redaktion geprüft. Kennzeichnung gemäß EU AI Act Art. 50.

Dieser Artikel wurde von einer KI auf Basis von Berichten internationaler Medien zusammengefasst und auf Deutsch verfasst. Er wurde nicht von einer menschlichen Redaktion geprüft. Kennzeichnung gemäß EU AI Act Art. 50.

Post navigation

← Mögliches FCC-Verbot gegen TP-Link: Was IT-Entscheider beim Router-Kauf beachten sollten
Quantencomputing in der Chemie: Erwartungen unter Druck →

Das könnte Sie auch interessieren

a double strand of blue and white spirals

KI-Modell auf lebendem Gewebe: Neuer Ansatz für Wirkstoffforschung

24.08.2026

Michael Polansky, langjährig bekannt als Partner von Lady Gaga und früherer Top-Mitarbeiter von Napster-Gründer Sean Parker, …

Weiterlesen »
Palantir logo on a dark background

NHS England: Eine Grafschaft lehnt Palantir ab – Signalwirkung für europäische Gesundheitssysteme

21.08.2026

Der britische Gesundheitsdienst NHS England treibt die Digitalisierung mit dem umstrittenen US-Anbieter Palantir voran – doch …

Weiterlesen »
white plastic egg tray on white printer paper

KI in der Krebsmedizin: Zwischen realen Durchbrüchen und strukturellen Hürden

19.08.2026

Die Krebsmedizin steht an einem Wendepunkt: Während mRNA-basierte Impfstoffe in der Phase-3-Entwicklung erste klinische Erfolge demonstrieren, …

Weiterlesen »

Suche

Kategorien

  • Allgemein
  • Autonomes Fahren & Mobilität
  • Cybersicherheit
  • Datenschutz & Datenpolitik
  • Energie & Nachhaltigkeit
  • Enterprise-KI & Produktivität
  • Geopolitik & Tech-Souveränität
  • Gesundheit & Life Sciences
  • Investitionen & Finanzierung
  • KI & Arbeitswelt
  • KI-Agenten & Automatisierung
  • KI-Infrastruktur & Hardware
  • KI-Modelle & Forschung
  • KI-Regulierung & Recht
  • KI-Unternehmen & Strategie
  • Raumfahrt & Weltraum
  • Robotik & Physische KI
  • Sicherheit & Verteidigung
  • Impressum

© 2026 bytewire.ai