Artificial Intelligence in Healthcare: 2025 Year in Review

Der vorliegende Review zeigt, dass sich das KI-Forschungsfeld im Gesundheitswesen 2025 durch eine Verdopplung der Publikationen und einen deutlichen Wandel von klassischen Machine-Learning-Ansätzen hin zu leistungsfähigen multimodalen Foundation-Modellen in Richtung realer klinischer Anwendungen weiterentwickelt hat.

Das Wesentliche

🏥 Der große KI-Sprung im Jahr 2025: Ein Bericht aus der Zukunft

Stellen Sie sich das Jahr 2025 im Gesundheitswesen wie einen riesigen, geschäftigen Baustellenplatz vor. Vor ein paar Jahren waren hier nur ein paar Handwerker mit einfachen Werkzeugen (den klassischen Computerprogrammen) am Werk. Aber 2025? Da stehen plötzlich riesige, hochmoderne Kräne und Roboterarme, die nicht nur einen, sondern viele verschiedene Aufgaben gleichzeitig erledigen können.

Dieser Bericht von einer Gruppe von Ärzten und Forschern (unter der Leitung von Dr. Piyush Mathur) schaut sich genau an, was auf dieser Baustelle passiert ist.

1. Die Menge explodiert: Von einem Tropfen zum Wasserfall

Früher gab es nur ein paar Studien über KI im Krankenhaus. Im Jahr 2025 hat sich die Anzahl der Veröffentlichungen fast verdoppelt.

• Die Analogie: Stellen Sie sich vor, früher kam jeden Tag nur ein einziger Brief ins Postamt. 2025 kamen fast doppelt so viele an wie im Vorjahr. Es ist ein regelrechter Daten-Sturm.
• Wichtig: Nicht jeder Brief war gut. Die Forscher haben mit einem cleveren Filter (einer Art „KI-Filter für KI") geprüft, welche Studien wirklich nützlich und ausgereift sind. Von den fast 50.000 gefundenen Artikeln waren etwa 3.366 „reif" genug, um ernsthaft betrachtet zu werden.

2. Der Werkzeugwechsel: Vom Hammer zum Schweizer Taschenmesser

Das ist die spannendste Veränderung im Jahr 2025.

• Früher (2024): Die Forscher waren wie Handwerker, die nur mit Text arbeiteten. Sie nutzten große Sprachmodelle (LLMs), die wie extrem gebildete Bibliothekare waren, die nur lesen und schreiben konnten.

• Heute (2025): Die Werkzeuge haben sich gewandelt. Jetzt nutzen sie Multimodale Modelle.

• Die Analogie: Stellen Sie sich einen alten Arzt vor, der nur auf seine Notizen schaut (Text). Der neue KI-Arzt von 2025 ist wie ein Super-Detektiv. Er kann gleichzeitig:

  • Röntgenbilder ansehen (Bilder),
  • Patientenberichte lesen (Text),
  • Und sogar den Herzschlag oder die Stimme des Patienten hören (Audio).

  Diese neuen „Schweizer Taschenmesser" (Multimodale Modelle) sind von 25 im Jahr 2024 auf 144 im Jahr 2025 gestiegen. Sie können die komplexe Realität eines Krankenhauses viel besser verstehen als die alten Modelle, die nur einen Sinn hatten.

3. Wo wird am meisten gebaut? (Die beliebtesten Bereiche)

Nicht alle Bereiche nutzen die neuen Werkzeuge gleich stark.

• Der König der Bilder: Die Radiologie (Bildgebung) ist immer noch der größte Arbeitgeber für KI. Da gibt es unzählige Röntgenbilder und MRTs, die wie ein riesiger Ozean aus Daten warten. Die KI hilft hier, Muster zu erkennen, die das menschliche Auge übersehen könnte.
• Die Bürokraten: Die Bereiche Verwaltung und Bildung nutzen die KI-Textmodelle am meisten. Stell dir vor, die KI schreibt automatisch Entlassbriefe, erstellt Schulungsunterlagen für Ärzte oder hilft bei der Dokumentation. Das spart den Ärzten viel Zeit.
• Die Spezialisten: Auch Bereiche wie Augenheilkunde, Krebsforschung (Onkologie) und Chirurgie holen auf. Sie fangen an, die neuen „Super-Detektive" zu nutzen, um Operationen zu planen oder Tumore genauer zu analysieren.

4. Was passiert mit den alten Methoden?

Interessanterweise nutzen die Forscher die alten, einfachen Computermodelle (klassisches „Machine Learning") seltener als im Vorjahr.

• Die Analogie: Es ist, als würde man auf einer Baustelle plötzlich weniger mit dem alten, schweren Hammer hantieren und mehr mit einem präzisen, laser-gesteuerten Bohrer arbeiten. Die alten Methoden sind nicht weg, aber für die komplexesten Aufgaben werden sie durch die mächtigeren neuen Systeme ersetzt.

5. Was bedeutet das für uns Patienten?

Der Bericht sagt uns, dass wir uns an einem Wendepunkt befinden.

• Früher: KI war oft nur ein Experiment im Labor.
• Heute: KI beginnt, sich wie ein echter Teil des Krankenhauses zu verhalten. Sie sieht nicht nur Zahlen, sondern „versteht" Bilder, Texte und Töne gleichzeitig.
• Die Vision: In Zukunft wird die KI dem Arzt nicht nur sagen: „Hier ist ein hoher Wert." Sondern sie wird sagen: „Schauen Sie sich dieses Röntgenbild an, lesen Sie die Krankengeschichte des Patienten und hören Sie auf seine Stimme – basierend auf all diesen Dingen ist die Wahrscheinlichkeit für diese Diagnose sehr hoch."

Fazit

Das Jahr 2025 war das Jahr, in dem die KI im Gesundheitswesen von einem „neugierigen Kind" zu einem „erfahrenen Assistenten" gereift ist. Sie wird nicht nur smarter, sondern auch vielseitiger. Sie kann endlich sehen, hören und lesen – genau wie ein guter Arzt es tun muss.

Hinweis: Dieser Bericht basiert auf einer vorläufigen Veröffentlichung (Preprint) und wurde noch nicht von einem unabhängigen Gremium geprüft, bietet aber einen spannenden Blick in die nahe Zukunft der Medizin.

Technische Zusammenfassung

Technische Zusammenfassung: Künstliche Intelligenz im Gesundheitswesen – Jahresrückblick 2025

1. Problemstellung und Kontext
Das Forschungsfeld der Künstlichen Intelligenz (KI) im Gesundheitswesen durchläuft eine transformative Phase. Während frühere Jahre stark von der explorativen Nutzung textbasierter Modelle geprägt waren, zeigt sich 2025 ein deutlicher Wandel hin zu komplexeren Architekturen. Das Hauptproblem besteht darin, die exponentielle Zunahme an Publikationen zu analysieren, um den Reifegrad (Maturity) der Forschung zu bewerten und den Übergang von reinen Experimenten hin zu realen klinischen Anwendungen zu verstehen. Ein zentraler Aspekt ist die Verschiebung von traditionellen Modellen hin zu Foundation Models (Basis-Modellen), insbesondere multimodalen Ansätzen, die der inhärenten Vielfalt klinischer Daten (Bilder, Text, Audio) besser gerecht werden.

2. Methodik
Die Studie basiert auf einer systematischen Literaturrecherche und einer mehrstufigen Analyse:

• Datenerhebung: Eine Suche in der Datenbank PubMed wurde mit den Suchbegriffen „machine learning" oder „artificial intelligence" sowie „2025" durchgeführt. Der Suchzeitraum endete am 31. Dezember 2025.
• Einschlusskriterien: Nur englischsprachige Studien mit menschlichen Probanden wurden berücksichtigt. Preprints, Tierversuche, reine Robotik-Studien ohne KI-Bezug, Systematische Übersichten und Publikationen ohne Abstract wurden ausgeschlossen.
• Reifegrad-Bewertung (Maturity Assessment): Ein BERT-basierter Deep-Learning-Klassifikator (vorab trainiert und validiert) wurde eingesetzt, um zu bestimmen, ob eine Publikation „reif" ist. Ein Publikation galt als reif, wenn ihre Ausgabe einen direkten, handlungsleitenden Einfluss auf die Patientenversorgung hatte (z. B. durch Bereitstellung von Informationen für Ärzte oder automatisierte Systeme).
• Manuelle Annotation: Nach der automatischen Filterung überprüften fünf menschliche Reviewer die verbleibenden reifen Publikationen (n = 2.966). Sie klassifizierten diese nach:
  • Gesundheitsfachgebiet (22 Spezialisierungen + General, Administrative, Education).
  • Datentyp: Bild, Text, tabellarische Daten, Sprache/Audio.
  • Modelltyp: Traditionelles Deep Learning (DL), Klassisches Machine Learning (ML), Statistische Modelle, NLP, Large Language Models (LLM), Large Vision Models (FM-LVM) und Multimodale Modelle (FM-MM).
• Fokus auf Foundation Models: Aufgrund des starken Anstiegs wurde eine separate, tiefgehende Analyse nur für Publikationen durchgeführt, die Foundation Models (LLM, FM-LVM, FM-MM) verwendeten.

3. Wichtige Beiträge

• Quantitative Analyse des Jahres 2025: Die Studie liefert den ersten umfassenden Überblick über den KI-Fortschritt im Jahr 2025 und vergleicht diesen mit den Vorjahren (insbesondere 2024).
• Identifikation eines Wendepunkts: Die Arbeit dokumentiert den ersten signifikanten Rückgang klassischer ML-Modelle bei gleichzeitiger massiver Zunahme von Foundation Models, was auf einen technologischen Paradigmenwechsel hindeutet.
• Multimodalität als Treiber: Die Studie hebt hervor, wie die Einführung multimodaler Modelle die Nutzung von Audio- und Bilddaten in Kombination mit Text vorantreibt, was die Komplexität klinischer Daten besser abbildet.
• Klassifizierungsrahmen: Durch die manuelle Validierung und die Nutzung eines BERT-Modells zur Reifegradbestimmung bietet das Papier einen robusten Rahmen für die Bewertung der klinischen Relevanz von KI-Studien.

4. Ergebnisse

• Publikationsvolumen: Die Suche ergab 49.394 Publikationen (fast eine Verdopplung gegenüber 28.180 im Jahr 2024). Davon wurden 3.366 als „reif" klassifiziert, und 2.966 gingen in die finale Analyse ein (im Vergleich zu 1.946 im Jahr 2024).
• Führende Fachgebiete:
  • Bildgebung/Radiologie dominiert mit 976 Publikationen.
  • Gefolgt von Verwaltung (277), Allgemeinmedizin (251), Kopf-Hals (185) und Bildung (181).
  • Weitere starke Bereiche sind Augenheilkunde, Pathologie, Chirurgie, Onkologie und Gastroenterologie.
• Modell-Trends:
  • Textbasierte LLMs führen weiterhin mit 1.019 Publikationen.
  • Multimodale Foundation Models (FM-MM) verzeichneten einen massiven Anstieg von 25 (2024) auf 144 (2025).
  • Large Vision Models (LVM) stiegen auf 14 Publikationen.
  • Deep Learning (DL) Modelle stiegen auf 910 Publikationen.
  • Klassisches Machine Learning (ML) verzeichnete erstmals einen Rückgang auf 173 Publikationen.
• Datentypen:
  • Bilder bleiben der dominierende Datentyp (53,9 %).
  • Text folgt mit 38,2 %.
  • Audio verzeichnete einen Anstieg auf 1,2 %, korrelierend mit der Adoption multimodaler Modelle.
  • 94 Publikationen (3,1 %) kombinierten Datentypen (hauptsächlich Bild + Text).
• Anwendungsbereiche von Foundation Models: Während Verwaltung und Bildung weiterhin von textbasierten LLMs dominiert werden, führen in klinischen Fachgebieten wie Bildgebung (110), Kopf-Hals (92), Chirurgie (64) und Onkologie (55) multimodale Ansätze die Entwicklung an.

5. Bedeutung und Fazit
Das Jahr 2025 markiert einen Reifeprozess im Bereich KI im Gesundheitswesen. Das Feld bewegt sich weg von rein explorativen Studien hin zu validierten, anwendungsorientierten Implementierungen.

• Technologische Evolution: Der Rückgang klassischer ML-Modelle und der Aufstieg multimodaler Foundation Models deuten darauf hin, dass KI-Systeme zunehmend in der Lage sind, die Komplexität der realen klinischen Praxis (die selten nur aus Text besteht) nachzubilden.
• Klinische Implikationen: Die Integration von Bild-, Text- und Audiodaten in einem Modellansatz ermöglicht umfassendere Diagnose- und Behandlungsunterstützung, insbesondere in bildgebenden Verfahren und der Pathologie.
• Zukunftsausblick: Die Studie prognostiziert, dass die Verfügbarkeit von Daten, neue Implementierungsframeworks (wie „Agentic AI") und die Weiterentwicklung proprietärer Modelle die Forschung in den kommenden Jahren weiter beschleunigen werden. Das Feld steht an einem Wendepunkt, an dem KI-Systeme nicht mehr nur Werkzeuge sind, sondern integraler Bestandteil komplexer klinischer Workflows werden.

Hinweis: Da es sich um ein Preprint handelt (veröffentlicht am 28. Februar 2026), wurden die Ergebnisse noch nicht durch ein Peer-Review-Verfahren zertifiziert und sollten nicht als alleinige Grundlage für klinische Entscheidungen dienen.