Forschende der University of Virginia haben einen bedeutenden Fortschritt in der medizinischen Bildgebung erzielt. Soumee Guha, Promovendin am Institut für Elektro- und Computeringenieurwesen, hat ein generatives KI-Modell entwickelt, das die Qualität von Ultraschall- und anderen diagnostischen Aufnahmen entscheidend verbessert. Ultraschallbilder leiden häufig unter charakteristischen Verzerrungen und Bildrauschen, die präzise Diagnosen erschweren. Herkömmliche KI-Ansätze benötigen für solche Verbesserungen üblicherweise enorme Mengen an annotierten Patientendaten. Guhas Ansatz umgeht dieses Problem, indem sie mathematische Modelle der zugrundeliegenden Physik direkt in die Algorithmen integriert. Statt auf reines Deep Learning zu setzen, nutzt sie spezialisierte Diffusionsmodelle, die Bildrauschen gezielt auflösen und Unschärfen ausgleichen. Das System erzeugt aus den ursprünglichen, gestörten Aufnahmen klarere Versionen, indem es visuelle Störungen schrittweise reduziert und erwartungstreffende Muster rekonstruiert. Dadurch entsteht eine zweite, KI-generierte Bildmenge, die Ärztinnen und Ärzte mit den Originalaufnahmen vergleichen oder kombinieren können, um diagnostische Unsicherheiten zu reduzieren. Die Technik geht weit über die Schwangerschaftsvorsorge hinaus. Sie ist auf Endoskopieaufnahmen sowie auf radargerichtete, sonar- und laserbasierte Bildgebung übertragbar, da alle diese Verfahren unter multiplikativem Rauschen leiden. Die verbesserte Bildqualität ermöglicht präzisere Analysen bei Lebererkrankungen, Herzfunktionsstörungen und Tumorwachstum. Laut Forschungsbetreuer Scott Acton stellt Guha nicht nur isolierte Lösungen vor, sondern schafft ein einheitliches Framework, das klinische Arbeitsabläufe nachhaltig optimieren kann. Zudem können die KI-veredelten Bilder künftig als Trainingsdaten für andere medizinische KI-Systeme dienen. Guha hat ihre Dissertation erfolgreich verteidigt und bereitet sich auf eine nachpromotionale Forschungsposition vor. Ihr interdisziplinärer Ansatz, der abstrakte Mathematik mit klinischer Praxis verbindet, demonstriert, wie KI ohne den Zwang zu massiven Datensammlungen reale Gesundheitsoutcomes verbessern kann. Die Entwicklung markiert einen Schritt in Richtung physikalisch fundierter, transparenterer KI in der Diagnostik.