Startseite > Medizintechnik > E-Health > Wie Nvidia die Zukunft der Medizin mitgestaltet

KI für Bildgebung, Diagnostik & Robotik

Wie Nvidia die Zukunft der Medizin mitgestaltet

28. April 2025, 15:33 Uhr | Ute Häußler

Dr. Eva-Maria Hempe bringt viel Erfahrung mit in ihre Position als Head of Healthcare & Life Sciences EMEA bei Nvidia: acht Jahre Digitalberatung für Healthcare / Life Sciences bei Bain & Company und fast vier Jahre VMWare.

Für Künstliche Intelligenz führt an Nvidia kein Weg vorbei, auch nicht in der Medizin. Dr. Eva-Maria Hempe, die EMEA-Leiterin Healthcare des Chip-Riesen, zeigt die vielen Rollen von KI in der Medizintechnik, Trends vom GTC-Kongress und wie Medizingeräte zu »software-defined medical devices« werden.

▶ Diesen Artikel anhören

Frau Dr. Hempe, seit einem knappen Jahr leiten Sie den Nvidia-Healthcare-Bereich für die EMEA-Region. Wie war der Einstieg?

Dr. Eva-Maria Hempe: Intensiv! Die Medizintechnik ist sehr dynamisch - ich beschäftige mich von der Genomik über die medizinische Bildgebung bis hin zu chirurgischen Robotern mit einem sehr breiten Spektrum an Anwendungen. Es gab und gibt weiter viel zu lernen; zwar gibt es Gemeinsamkeiten, aber auch sehr spezifische Anforderungen in den verschiedenen medizinischen Disziplinen. Im letzten Jahr habe mich zunächst in das Produktportfolio eingearbeitet und Kunden getroffen. Europa ist da ja eher dezentral, das hat eine Weile gedauert, und zuletzt war ich im Nahen Osten unterwegs. Es ist viel, aber ich habe wirklich den spannendsten Job, den ich mir wünschen konnte - direkt an der Schnittstelle zwischen KI und Medizin.

In Ihrem Linkedin-Profil steht »Supercharging Healthcare with AI« - Welche Themen stehen bei Nvidia für die nächsten 12 Monate und die Medizin im Fokus?

Wir konzentrieren uns auf drei große Themen: Agentic AI, AI Factories und Robotik. Agentic AI bezieht sich auf Algorithmen, die als Assistenten oder sogenannte Copiloten eigenständig bestimmte Entscheidungen treffen und Handlungen ausführen können, beispielsweise Unterstützung bei der Erstellung differenzierter Diagnosen oder der Durchführung von Tests. AI Factories dagegen meinen Plattformen für datengetriebenes Lernen und die Optimierung von Prozessen, beispielsweise im Krankenhaus. Im Bereich Robotics arbeiten wir daran, medizinische Roboter effizienter, fähiger und sicherer zu machen. Ein zentrales Ziel ist es, das Gesundheitswesen gerechter zu gestalten – wenn KI hilft, die Biologie besser zu verstehen, können wir neue Ansätze von der Prävention über die Diagnostik bis zur Therapie entwickeln. Zum Beispiel habe ich gerade mit einer Firma gesprochen, die daran arbeitet über eine KI-gestützte »Liquid Biopsie« Krebs im Blut zu detektieren, lange bevor er auf irgendeinem Bild sichtbar wird.

Matchmaker+ Anbieter zum Thema

zu Matchmaker+

KI verändert Klinik-Workflows und die Arbeit von Ärzten grundlegend.

Auf jeden Fall. Wir beobachten gerade einen bemerkenswerten Mentalitätswandel. Nehmen wir die Radiologie: Obwohl es dort die ersten KI-Applikationen gab, wurde die Technologie zunächst als Bedrohung wahrgenommen. Mittlerweile sehen viele Ärzte KI-Tools aber als echtes Werkzeug und hilfreichen Assistenten, der neue Sichtweisen aufzeigt und ihre Arbeit damit unterstützt und verbessert. Dieser Shift, weg vom Selbstbild des allwissenden »Halbgotts in Weiß« hin zu einer echten Kollaboration, passiert mittlerweile überall im klinischen Umfeld. Es ist ein Neuerfindung der eigenen Rolle: Welchen Wert kann ich als Mediziner einbringen, wenn eine Maschine einen Teil meiner Arbeit macht? Die KI ermöglicht es den Ärzten erstmals wieder, sich auf komplexere Aufgaben zu konzentrieren und ihre menschliche Expertise deutlich besser einzubringen – diese Erkenntnis ließ den anfänglichen Widerstand schmelzen.

Wie können Medizingerätehersteller von der Nvidia-Expertise und dem Pioniergeist hinsichtlich KI profitieren?

Wir wollen neue Wege aufzeigen und helfen Medtech-OEMs, konkrete Probleme zu lösen. Indem wir technologische Plattformen mit langer Verfügbarkeit anbieten, ermöglichen wir es Medizingerätherstellern sich auf ihre konkreten Anwendungen zu konzentrieren. Viele Kunden fragen uns beispielweise, wie sie ihre Geräte mit KI zukunftsfähiger gestalten können. Wir setzen dabei auf das Konzept der »Software-Defined Medical Devices«. Dazu koppeln wir zunächst das betreffenden Medizingerät mit einem Nvidia-Computer und lassen bestimmte Algorithmen drüber laufen.

Wie werden klassische Medizingeräte »software-defined«?

Nehmen wir ein bildgebendes Gerät, ein Mikroskop. Der gekoppelte Computer bzw. dessen Algorithmen beobachten zunächst die Prozesse und Arbeitsschritte, um bestimmte Strukturen besser oder automatisch erkennen und klassifizieren zu können. Dieser erste Schritt kann in einen Basisalgorithmus für den Medizingerätehersteller münden, der Anwendern als Zusatzfunktionalität zur Verfügung gestellt oder verkauft wird. Später können weitere KI-Funktionen und -Algorithmen durch Software-Updates hinzugefügt werden. Die Funktionalitäten des Geräts werden dadurch modularer und flexibler gestaltet.

Für OEMs eröffnen sich völlig neue Möglichkeiten: Sie können Updates ausspielen und damit neue Features hinzufügen. Das verändert potenziell aber auch das Geschäftsmodell und macht das Angebot deutlich flexibler. Mit dem software-basierten Ansatz stellen sich aber natürlich auch strategische Fragen: Bleibt das Geschäftsmodell weiterhin das Gerät selbst? Wird es zu einem Service? Oder geht es um die Software, die lizenziert werden muss?

Das klingt aus Entwickler- und Entscheidersicht zunächst sehr komplex und weitreichend.

Ich glaube, dass sich zunächst gar nicht so viel ändert - es eröffnen sich einfach neue Chancen. Das Konzept der »Software-Defined Medical Devices« ermöglicht eine modulare Gestaltung von Medizingeräten. Hersteller können mit den Software-Updates und den neuen Funktionen flexibler auf Marktanforderungen reagieren. Dies verändert nicht nur Geschäftsmodelle – von einmaligen Verkäufen hin zu kontinuierlichen Services, sondern schafft auch neue Möglichkeiten für Innovation und Wertschöpfung – also Mehrwert für den Arzt oder Mediziner.

Jensen Huang beschreibt das als Shift von reinen Daten zu echten Insights. Statt einen bestimmten Wert für einen Biomarker zu liefern, kann das Medizingerät diesen schon einordnen und ggf. weitere Tests oder weitere Diagnoseschritte vorschlagen. Mit diesen Handlungssträngen und einem sich selbst trainierenden »Lab in the Loop« ist der Weg zu einer eigenen »Agentic AI« für Medtech-OEMs nicht weit.

Ende des letzten Jahres haben Sie eine Open-Source-Partnerschaft mit Siemens Healthineers bekanntgegeben – was ist das Besondere daran?

Es ist – gerade in der Medizintechnik - keine Selbstverständlichkeit, dass Partnerschaften öffentlich werden. Wir arbeiten bereits über viele Jahre hinweg mit führenden Medtech-Unternehmen zusammen. Besonders in der Bildgebung hat sich Machine Learning und später auch generative KI als wegweisend erwiesen, da hier von Anfang an große Datenmengen verfügbar waren und die frühzeitige Beschleunigung von Algorithmen überhaupt erst Anwendungen wie CT und MR ermöglicht hat. Dort kommen wir her, dort haben wir viel Expertise. Von daher freue ich mich sehr über die Bekanntgabe einer Zusammenarbeit wie dieser. Wir arbeiten immer mit Leuchtturm-Firmen, den innovativsten ihrer Art. Gemeinsam können wir zeigen, was möglich ist – insbesondere mit Open-Source-Ansätzen.

Was kann ein Output der bildgebenden Partnerschaft sein?

Da ist zunächst der Effizienz- und Komfortgewinn für Radiologen, die nicht mehr hunderte oder tausende Schichtbilder sichten müssen, sondern sich darauf konzentrieren können die wesentlichen Daten im Detail auszuwerten.

Was ich darüberhinausgehend besonders spannend finde, ist, wie moderne Bildgebungsverfahren die Entwicklung und Anwendung von Medikamenten verändern könnte. Es gibt viele Medikamente, die in klinischen Studien, insbesondere in Phase III, scheitern – nicht unbedingt, weil sie grundsätzlich unwirksam sind, sondern weil sie nicht bei allen Patienten gleichermaßen wirken. Mit besseren bildgebenden Verfahren könnten wir gezielt Patienten identifizieren, bei denen diese Medikamente tatsächlich wirken. Das wäre ein enormer Fortschritt für die personalisierte Medizin.

In der Neurologie beispielsweise wissen wir vergleichsweise wenig, viele Studienergebnisse basieren auf Verhaltensbeobachtungen – etwa darauf, wie gut jemand greifen oder seinen Arm heben kann. Doch mittlerweile können wir mit Bildgebung zeigen, welche Medikamente Gehirnmasse erhalten. Das ist zwar ein indirekter Faktor, aber er könnte helfen, bessere Ergebnisse zu definieren und ein tieferes Verständnis darüber zu gewinnen, welche Patienten mit spezifischen biologischen Signaturen von einem Medikament profitieren.

Also geht es darum, bessere Daten für die Pharmaforschung zu gewinnen?

Erstmal geht es um Biomarker. In der Krebstherapie etwa spielen Biomarker eine entscheidende Rolle. Wenn bei Brustkrebs bestimmte Mutationen vorliegen, kann der Krebs mittlerweile sehr gut behandelt werden – wenn diese Mutationen fehlen, meist leider nicht. Solche Ansätze auch auf andere Indikationen zu übertragen, wäre ein echter Fortschritt. Die zentrale Frage lautet: Können wir mithilfe von Bildgebung und Datenanalyse solche Muster erkennen? Können wir vorhersagen, welche Effekte bestimmte Medikamente haben werden? Das ist der interessante Teil daran und das Potenzial ist riesig.

Sie haben Robotik als Fokus für Nvidia genannt – wo sehen Sie den KI-Nutzen für Ärzte und Patienten?

Robotik in der Medizin profitiert insbesondere im Zusammenspiel mit »Physical AI«. Indem autonome Maschinen lernen, die komplexen Handlungen im OP wahrzunehmen, zu verstehen und schließlich zumindest teilweise selbst auszuführen, schlägt KI eine Brücke zwischen der virtuellen und der realen Welt. Das Robotertraining in physikalisch-realistischen 3D-Simulationen ermöglicht zum Beispiel, komplexe Operationsszenarien zu generieren, die in der echten Welt entweder selten oder ethisch nicht vertretbar wären – wie etwa das Reißen eines Blutgefäßes während einer Operation. Diese Simulationen helfen dabei, Robotern beizubringen, wie sie in solchen Situationen am besten reagieren.

Ein weiteres Beispiel ist die Feinmotorik: Roboter können in der KI-basierten Simulation lernen, wie man einen Faden in eine Nadel einfädelt oder ein Glas sicher greift. Diese virtuellen Trainingsmethoden sind nicht nur schneller und effizienter, sondern auch sicherer. Das eröffnet völlig neue Möglichkeiten für OP-Roboter oder medizinische Assistenzsysteme allgemein, so auch in der stationären Pflege. Letztlich geht es darum, Fähigkeiten virtuell zu entwickeln und diese dann erfolgreich in der realen Welt anzuwenden. Wichtig ist es jedoch sicherzustellen, dass solche Systeme ergänzend wirken und nicht vollständig den verantwortlichen Arzt oder den menschlichen Kontakt ersetzen.

Medical-News vom GTC 2025
Nvidia und GE HealthCare haben pünktlich zur diesjährigen Entwicklerkonferenz GTC eine Zusammenarbeit für autonome Bildgebungsroboter bekanntgegeben. Ziel der Partnerschaft ist es, robotische diagnostische Bildgebungssysteme zu entwickeln, die automatisierte Röntgen- und Ultraschalluntersuchungen an Patienten durchführen. »Physical AI« soll die Roboter dafür schnell und vor allem sicher trainieren. Die kollaborative Entwicklung basiert auf der neuen Nvidia »Isaac for Healthcare«-Plattform, die vortrainierte Modelle und physikbasierte Simulationen nutzt. Die Plattform ermöglicht es, autonome Systeme in virtuellen Umgebungen zu testen und zu validieren, bevor sie in der realen Welt eingesetzt werden. Die im Early-Access-Stadium verfügbare Plattform kommt bereits bei Medizinrobotikfirmen wie Moon Surgical und Xcath sowie Zulieferern wie Ansys und Kuka zum Einsatz. Die autonome Bildgebungssysteme sollen Engpässe bei medizinischen Fachkräften verringern, indem sie Routineaufgaben automatisieren und Ärzten die Möglichkeit geben, sich auf komplexere Fälle zu konzentrieren. Zudem haben fast zwei Drittel der Weltbevölkerung keinen ausreichenden Zugang zu diagnostischer Bildgebung. Die autonomen Systeme sollen diese Lücke schließen, indem sie Arbeitsabläufe automatisieren und breiter verfügbar machen.

Medical-News vom GTC 2025

Nvidia und GE HealthCare haben pünktlich zur diesjährigen Entwicklerkonferenz GTC eine Zusammenarbeit für autonome Bildgebungsroboter bekanntgegeben. Ziel der Partnerschaft ist es, robotische diagnostische Bildgebungssysteme zu entwickeln, die automatisierte Röntgen- und Ultraschalluntersuchungen an Patienten durchführen. »Physical AI« soll die Roboter dafür schnell und vor allem sicher trainieren.

Die kollaborative Entwicklung basiert auf der neuen Nvidia »Isaac for Healthcare«-Plattform, die vortrainierte Modelle und physikbasierte Simulationen nutzt. Die Plattform ermöglicht es, autonome Systeme in virtuellen Umgebungen zu testen und zu validieren, bevor sie in der realen Welt eingesetzt werden. Die im Early-Access-Stadium verfügbare Plattform kommt bereits bei Medizinrobotikfirmen wie Moon Surgical und Xcath sowie Zulieferern wie Ansys und Kuka zum Einsatz.

Die autonome Bildgebungssysteme sollen Engpässe bei medizinischen Fachkräften verringern, indem sie Routineaufgaben automatisieren und Ärzten die Möglichkeit geben, sich auf komplexere Fälle zu konzentrieren. Zudem haben fast zwei Drittel der Weltbevölkerung keinen ausreichenden Zugang zu diagnostischer Bildgebung. Die autonomen Systeme sollen diese Lücke schließen, indem sie Arbeitsabläufe automatisieren und breiter verfügbar machen.

Welchen Schwerpunkt will Nvidia bei »Agentic AI« setzen?

Für das »Ambient Listening« und die Arztunterstützung in klinischen Workflows gibt es bereits jede Menge Beispiele und Referenzen, wir arbeiten mit sehr vielen Firmen für eine effizientere, KI-gestützte Dokumentation, z.B. für automatisierte Arztbriefe, zusammen.

»Agentic AI« kann aber auch Patienten sehr sinnvoll unterstützten – ein mögliches Szenario sind medizinische Avatare, die Patienten nach der Entlassung aus dem Krankenhaus begleiten. In der Nachsorge fehlt es oft an Kapazitäten; es ist schwer zu verfolgen, ob sich ein Patient zu Hause gut erholt. Wichtige Informationsblätter werden häufig nicht gelesen oder verstanden. Mit einem KI-gestützten Avatar könnten Patienten interaktiv Fragen stellen, etwa: ‚Ich bin allergisch auf Penicillin. Darf ich dieses Medikament nehmen?‘ Der Avatar könnte Antworten geben oder mit dem Arzt in Kontakt treten. Diese KI-basierten Assistenzsysteme verbessern die Behandlungsqualität erheblich und schließen eine wichtige Lücke.

Aber auch im ersten Schritt der Patientenreise, der Terminvergabe beim Arzt, könnten KI-Agenten eine Hilfe sein. Aktuell haben wir in Praxen ein Kapazitätsproblem. Bis ein Patient einen Termin bekommt, vergeht oft viel Zeit. Keiner hängt früh um Acht gern am Telefon und probiert bis Elf jemanden ans Ohr zu bekommen, nur um dann festzustellen, dass kein Termin verfügbar ist. Ich könnte mir stattdessen eine App vorstellen, die erstmal die Symptome checkt und über ein angeschlossenes Terminvergabe-System – da gibt es ja bereits mehrere große Anbieter – schaut, wo in der Nähe ein passender Termin frei ist. Für die Praxen entfällt der erste Schritt, es gibt möglicherweise eine Vorab-Priorisierung und im besten Fall liefert die App dem Arzt bereits eine Mini-Anamnese zum besseren Gesprächseinstieg.

KI kommt mehr und mehr in die Breite. Während für das Training sehr leistungsstarke Chips wie die von Nvidia benötigt werden, reichen für die praktische Inferenz eventuell günstigere Chips. Wie bewerten Sie diese Entwicklung?

Klar, andere Unternehmen machen ebenfalls gute Arbeit. Aber wir glauben, dass unser integriertes Angebot uns deutlich vom Markt abhebt. Wir sind eine »Full-Stack-Chip-Company« – das bedeutet, wir bieten nicht nur den Chip an, sondern gehen weit darüber hinaus. Seit über zehn Jahren konzentrieren wir uns darauf, Use-Case-spezifische Anwendungen zu optimieren, insbesondere für ein paralleles Processing.

Ein gutes Beispiel dafür ist die Einzelzell-Sequenzierung mittels KI in der Genomik, also bei Autoimmunerkrankungen, chronischen Krankheiten oder Krebs. Bis jetzt laufen viele Algorithmen in diesem Bereich noch auf CPUs. Wir arbeiten daran, diese auf GPUs zu bringen, was uns in der Regel eine enorme Leistungssteigerung ermöglicht. Solche Fortschritte eröffnen wiederum neue Therapieoptionen und treiben Innovationen voran.

Schlussendlich stellt Nvidia nicht nur die Hardware bereit, wir schaffen vor allem durch spezialisierte Software echten Mehrwert. Das unterscheidet uns von anderen großen Playern, insbesondere im Bereich Healthcare. Wir gehen mit tiefem Domain-Wissen an die Probleme heran: Was sind die spezifischen Herausforderungen in der Medizintechnik? Wie können wir diese besser lösen? Diese Herangehensweise hat uns über die Jahre zu einem starken Partner für alle Akteure im Gesundheitswesen gemacht.

Am Ende ist es genau dieser ganzheitliche Ansatz – die Kombination aus spezialisierter Software und leistungsfähiger Hardware – der unsere Position im Markt definiert und uns von anderen Technologieanbietern unterscheidet.

Viele Firmen benötigen vielleicht dennoch nur eine Alltags-KI am Edge oder Embedded?

Wir decken das gesamte Spektrum ab und haben speziell für Edge-Anwendungen eine eigene Produktlinie entwickelt, die genau auf diese Anforderungen zugeschnitten ist. Aktuell bieten wir die ‚Orin‘-Linie an, in diesem Jahr folgt ‚Thor‘. Der Formfaktor bleibt gleich, der Prozessor kann bei Bedarf jedoch ausgetauscht werden. Darüber hinaus können Kunden bei höherem Kapazitätsbedarf zusätzliche Boards ergänzen. Mit dieser Modularität können die Firmen sowohl heute skalieren, und sind gleichzeitig auch langfristig auf zukünftige Entwicklungen vorbereitet.

Ein weiterer entscheidender Vorteil ist unser langfristiger Support: Wir garantieren für diese Produktlinien einen zehnjährigen Long-Term-Support. Das gibt unseren Medizintechnik-Kunden die Sicherheit, dass sie auf eine stabile und nachhaltige Lösung setzen können.

Was bringt die absehbare Zukunft aus Ihrer Sicht für die Medizin-KI?

Wir sehen aktuell den langsamsten Fortschritt, den wir retrospektiv erleben werden. Das heißt die Firmen müssen Gas geben – der »Speed of Change« wird weiter zunehmen. Mit der analytischen Intelligenz werden wir immer schneller neue Einblicke gewinnen und neue Technologien entwickeln. Ich erwarte insbesondere Fortschritte bei humanoiden Robotern sowie eine stärkere Nutzung synthetischer Datenmodelle.

Nvidia selbst wird dazu seine containerisierten Microservices weiter ausrollen. Diese NIMs (Nvidia Inference Microservices) vereinfachen das Ausrollen von KI-Modellen erheblich und ermöglichen es, generative KI und große Sprachmodelle wie Foundation-Modelle effizient für Inferenz zu nutzen. Die Modelle sind sehr vielseitig und können mit minimalem Fine-Tuning für zahlreiche Anwendungen zum Einsatz kommen. Unser Ziel ist es, den Zugang zu KI zu demokratisieren. Mit den NIMs schaffen wir eine Plattform, die Firmen hilft, KI-Modelle schnell und zuverlässig in ihre Infrastruktur zu integrieren – sei es in der Cloud, im Rechenzentrum oder am Edge. Dadurch wird nicht nur die Nutzung von KI erleichtert, sondern auch die Wertschöpfung maximiert, da der Fokus auf Use-Case-spezifischen Anwendungen liegt. Aus meiner Sicht steckt genau hier der größte Mehrwert: in der Anpassung und Optimierung von KI für konkrete Anwendungsfälle.

Was Healthcare besonders macht: Der disruptive Ansatz »move fast and break things« funktioniert im Gesundheitswesen nicht, dabei würden Menschen sterben. Das sieht selbst das Silicon Valley ein und auch in den USA funktioniert die Regulatorik. Aber meiner Ansicht nach hat der europäische Markt mit seinem Prozesswissen und seiner Datenvielfalt hier immense Chancen für echte Technologiesprünge. Hier sollten wir aufwachen, das müssen wir noch besser nutzen. (uh)