# ORGANIC3D prüft, ob CT-Modelle die richtige Anatomie erkennen

> Ein neues Framework testet, wie 3D-CT-Modelle Befunde den richtigen Organen zuordnen, und trainiert sie darauf, sich stärker auf relevante Bildhinweise zu stützen.

Oossa · 2026-11-19 · https://oossa.com/de/organic3d-tests-whether-ct-models-use-the-right-anatomy

Forschende haben ORGANIC3D vorgestellt, ein Framework, mit dem sich prüfen und verbessern lässt, ob KI-Modelle für 3D-CT-Aufnahmen schriftliche Befunde mit der richtigen Anatomie verknüpfen. Bei den Tests werden Aufnahmen verändert, indem Organe entfernt, Läsionen ersetzt oder die Seiten vertauscht werden. So treten Zuordnungsfehler zutage – selbst bei Modellen mit hohen Klassifikationswerten.

Laut den Forschenden erreichte ihr ausschließlich mit öffentlichen Daten trainiertes Modell eine Genauigkeit von 77% bei der Bestimmung der Seite, gegenüber höchstens 66% bei früheren Modellen. Wurde in Tests ein Organ entfernt, nahm das Modell 96–99% der Befunde zu diesem Organ zurück; bei anderen Modellen waren es höchstens 69%.

## Die Fakten

- Der Benchmark bewertete 12 Vision-Encoder-Checkpoints und 7 generative Vision-Language-Modelle.
- Die Studie erschien am 2026-11-19 auf arXiv.

## Warum es wichtig ist

Für Radiologie-Teams, die KI für CT-Aufnahmen bewerten, bietet ORGANIC3D Tests dazu, ob die Befunde eines Modells von der relevanten Anatomie abhängen. Die Studie belegt jedoch nicht, wie sich die Ergebnisse auf den klinischen Einsatz übertragen lassen.

## Quellen und Referenzen

1. [ORGANIC3D: Grounding 3D CT Vision Language Models in Organ Level Image Text Coupling](https://arxiv.org/abs/2611.23529) – arXiv cs.CV, 2026-11-19

Zuletzt aktualisiert: 2026-11-19
