Das Coronavirus-Erkrankungssyndrom 2019 (COVID-19) ist hoch ansteckend und verfügt über begrenzte Behandlungsmöglichkeiten. Eine frühzeitige und genaue Diagnose von COVID-19 ist entscheidend, um die Ausbreitung der Krankheit und die damit verbundene Mortalität zu reduzieren. Derzeit ist die Detektion durch Reverse-Transkriptase-Polymerase-Kettenreaktion (RT-PCR) das Goldstandard sowohl für ambulante als auch stationäre Erkennung von COVID-19. Obwohl RT-PCR eine schnelle Methode ist, beträgt ihre Genauigkeit bei der Erkennung nur etwa 70-75 %. Eine weitere zugelassene Strategie ist die computertomographische (CT) Bildgebung. Die CT-Bildgebung weist eine viel höhere Sensitivität von etwa 80-98 % auf, hat jedoch eine ähnliche Genauigkeit von 70 %. Um die Genauigkeit der CT-Bildgebung bei der Erkennung zu verbessern, haben wir ein quelloffenes Algorithmenset namens CovidCTNet entwickelt, das erfolgreich COVID-19 von einer Community-acquired Pneumonie (CAP) und anderen Lungenkrankheiten abgrenzt. Im Vergleich zu Radiologen (70 %) erhöht CovidCTNet die Genauigkeit der CT-Bildgebung bei der Erkennung auf 90 %. Das Modell ist so konzipiert, dass es mit heterogenen und kleinen Stichproben unabhängig von der CT-Bildgebungs-Hardware arbeiten kann. Um die globale Erkennung von COVID-19 zu erleichtern und Radiologen sowie Ärzte im Screening-Prozess zu unterstützen, veröffentlichen wir alle Algorithmen und parameterischen Details in einem quelloffenen Format. Die Quelloffnung unseres CovidCTNet ermöglicht es Entwicklern, Dienstleistungen schnell zu verbessern und zu optimieren, während gleichzeitig Nutzerdatenschutz und Datenbesitz gewahrt werden.